基于评分预测与排序预测的协同过滤推荐算法

摘要

协同过滤推荐算法在学术界得到了广泛研究.之前的研究要么仅从评分预测的角度来研究,要么仅从排序预测的角度来研究.目前为止,还没有人提出一种算法来同时优化推荐对象的评分和排序.为了克服现有研究的缺陷,本文在传统的概率矩阵分解算法(PMF,基于评分预测)和扩展的少即是多的协同过滤算法(xCLiMF,基于排序预测)的基础上提出了一种新的联合推荐方法(URA),该方法通过在PMF和xCLiMF算法中共享用户和推荐对象的特征空间,使得URA方法同时具有基于评分预测的协同过滤算法和基于排序预测的协同过滤算法的优点.文中给出了URA方法的一种有效学习算法.在真实的数据集上实验验证,该方法在各个评价指标下性能均优于几个经典的协同过滤推荐算法(基于评分预测或基于排序预测),且复杂度低、运算时间与评分点个数线性相关.URA方法推荐精度高、可扩展性好,适合处理大数据,在互联网信息推荐领域具有广泛的运用前景.