基于自适应提升的概率矩阵分解算法

来源：计算机应用杂志2015年第12期北京时间：

作者：彭行雄, 肖如良, 张桂刚

单位：1. 福建师范大学软件学院, 福州 350117;2. 大数据分析与应用福建省高校工程研究中心, 福州 350117;3. 中国科学院自动化研究所, 北京 100190

摘要：针对推荐系统中概率矩阵分解模型(PMF)泛化能力(对新用户和物品的推荐性能)较差、预测准确性不高的问题,提出一种新的基于自适应提升的概率矩阵分解算法(AdaBoostPMF)。该算法首先为每个样本分配样本权重;然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量,并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重,使算法更注重学习预测误差较大的样本;最后对预测误差分配样本权重,让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法,AdaBoostPMF算法能够将预测精度平均提高约2.5%。实验结果表明,该算法通过加权预测误差较大的样本,能够较好地拟合用户特征向量和物品特征向量,提高预测精度,可以有效地应用于研究个性化推荐。

关键词：推荐系统,概率矩阵分解,自适应提升,模型融合,评分预测

基金资助：教育部规划基金项目(11YJA860028);福建省科技计划重大项目(2011H6006)。