基于标签自适应选择的矩阵分解推荐算法

计算机工程与科学

基于标签自适应选择的矩阵分解推荐算法

宋威1,2,李雪松1

（1.北方工业大学计算机学院,北京 100144；2.大规模流数据集成与分析技术北京市重点实验室,北京 100144）

收稿日期:2018-05-11 修回日期:2018-07-18 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
北京市自然科学基金(4162022)；北京市科技计划项目(D161100005216002)；北京市优秀人才青年拔尖个人项目(2015000026833ZK04)

A matrix factorization recommendation algorithm

based on adaptive tag selection

SONG Wei1,2,LI Xuesong1

(1.College of Computer Science and Technology,North China University of Technology,Beijing 100144；

2.Beijing Key Laboratory on Integration and Analysis of LargeScale Stream Data,Beijing 100144,China)

Received:2018-05-11 Revised:2018-07-18 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

将标签融入矩阵分解方法是当前推荐系统研究的热点。提出了一种基于标签自适应选择的矩阵分解推荐算法。首先,提出了标签评分稀疏系数,较好地平衡了推荐过程中潜在特征与标签的使用问题。其次,利用标签的次数来计算标签向量,体现了标签的不同频率对不同物品的影响。最后,给出了算法的总体描述。实验结果表明,算法具有较高的推荐精度和较快的收敛速度。

Abstract:

Incorporating tags into matrix factorization is a hot topic in the field of recommender system. Based on adaptive tag selection, we propose a new matrix factorization recommendation algorithm. Firstly, we put forward a tagrating sparsity factor, which balances the usage of latent factors and tags in recommendation. Secondly, tag vectors are computed by the number of tags, which reflects the influence of different frequencies of tags on different items. Finally, the overall description of the proposed algorithm is illustrated. Experimental results show that the proposed algorithm has high recommedation accuracy and high convergence speed.

Key words: recommendation system, matrix factorization, latent factor model, adaptive tag selection, tag-rating sparsity coefficient

宋威1,2,李雪松1. 基于标签自适应选择的矩阵分解推荐算法[J]. 计算机工程与科学.

SONG Wei1,2,LI Xuesong1.

A matrix factorization recommendation algorithm

based on adaptive tag selection

[J]. Computer Engineering & Science.

[1]	高玮蔚, 刘杨, 马慧芳, 唐月晨. 基于增强偏好影响力的图注意力网络推荐算法[J]. 计算机工程与科学, 2023, 45(07): 1300-1307.
[2]	王玫申, 张鹏, 薛乐洋, . 基于二分网络的长期推荐[J]. 计算机工程与科学, 2023, 45(04): 691-700.
[3]	罗可劲, 刘广聪, 杨文浩. 基于多任务学习的图神经网络推荐模型研究[J]. 计算机工程与科学, 2023, 45(04): 726-733.
[4]	张若一, 金柳, 马慧芳, 王亦可, 李清风. 融合相似用户影响效应的知识图谱推荐模型[J]. 计算机工程与科学, 2023, 45(03): 520-527.
[5]	李建红, 苏晓倩, 吴彩虹. 深度层次注意力矩阵分解[J]. 计算机工程与科学, 2023, 45(01): 28-36.
[6]	邹程辉, 李卫疆, . 融合知识图谱和评论文本的个性化推荐模型[J]. 计算机工程与科学, 2023, 45(01): 181-190.
[7]	贾俊杰, 姚叶旺, 陈旺虎. 基于非负矩阵分解的群组推荐算法[J]. 计算机工程与科学, 2022, 44(05): 933-943.
[8]	贾俊杰, 段超强. 基于评分离散度的托攻击检测算法[J]. 计算机工程与科学, 2022, 44(03): 554-562.
[9]	顾军华, 佘士耀, 樊帅, 张素琪. 基于用户长短期兴趣与知识图卷积网络的推荐[J]. 计算机工程与科学, 2021, 43(03): 511-517.
[10]	陈海涵, 吴国栋, 李景霞, 王静雅, 陶鸿. 基于注意力机制的深度学习推荐研究进展[J]. 计算机工程与科学, 2021, 43(02): 370-380.
[11]	杨丰瑞, 李前洋, 罗思烦, . 一种基于降噪自编码器的隐式反馈推荐算法[J]. 计算机工程与科学, 2020, 42(08): 1500-1505.
[12]	杨丰瑞, 李前洋, 罗思烦, . 基于降噪自编码器的社会化推荐算法[J]. 计算机工程与科学, 2020, 42(05): 944-950.
[13]	陈鑫1，王斌1，曾范清2. 商品搭配大数据推荐方法研究综述[J]. 计算机工程与科学, 2020, 42(01): 36-45.
[14]	黄乐乐1，马慧芳1,2，李宁3，余丽1. 基于二分图划分联合聚类的协同过滤推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2040-2047.
[15]	杨丰瑞1,2,3，吴晓浩1,2，万程峰1,2. 结合信任度和项目关联的混合推荐算法[J]. 计算机工程与科学, 2019, 41(11): 2048-2054.