基于弹性网络正则化的隐因子预测模型

摘要

在大数据预测中,通常采用SGD_LF模型对高维稀疏矩阵中的缺失数据进行预测.由于SGD_LF模型仅有L2正则化项对目标函数进行约束,不能调整隐因子的分布,这样导致模型不能很好地描述目标矩阵中实体特性,损失了模型精度.用FOBOS算法构造一个同时用L1和L2限制目标函数的弹性网络ENLF模型,ENLF很好地调整隐因子的分布并提高了模型性能.为了进一步提高ENLF模型的性能,在其中加入偏差,构造BENLF模型.在大型商业数据集上的实验表明,ENLF和BENLF模型的预测精度和模型稀疏性等性能有显著提高.