融合标签信息和时间效应的矩阵分解推荐算法

来源：信息与控制杂志2020年第4期北京时间：

作者：赵文涛, 任行学

摘要：为了解决过度稀疏的评级矩阵导致矩阵分解中的过拟合问题，提出了一种融合标签和时间信息的矩阵分解推荐模型TTMF（matrix factorization recommendation algorithm fusing tags and time information），以丰富单一数据源，缓解矩阵分解中的过拟合问题.首先通过评级数据和标签信息定义用户标签偏好值和项目标签关联度，分别表征用户对标签的兴趣、标签信息和项目之间的联系，并增加时间信息表示用户兴趣随时间的变化；然后，建立用户—项目、用户—标签和项目—标签矩阵模型，通过梯度下降法进行矩阵分解，完成推荐.基于MovieLens数据集实验结果显示，TTMF算法的RMSE（root mean square error）比传统方法LFM（latent factor model）降低了7%.TTMF算法具有更好的推荐效果.

关键词：协同过滤算法, 矩阵分解, 梯度下降法, 个性化推荐