基于改进隐语义模型算法的研究

摘要

本文融合了逾期因子,改进了传统的隐语义模型,隐语义模型是推荐算法中最常见的一个算法。传统的推荐算法大部分都是根据用户的反馈数据进行训练、建模,然而随着网络时代即将转为数据时代,当面对海量数据时,传统的推荐算法,可能将要面对训练时间长、速度慢、误差大的问题;传统的隐语义模型采用矩阵分解的方法来实现,这种方法最大的优点就是在无需了解分解矩阵因子特征的同时,还能尽可能的提高推荐准确度,但是这种方法需要不断地迭代训练来优化特征向量,训练一次可能需要更大的训练维度和更高的复杂度,以上问题给推荐算法和隐语义模型保留了很大的提升空间。在实际生活中,人们对事物的兴趣很可能会跟随时间的推移而出现变化,当不考虑时间信息的时候,很可能对推荐结果产生影响,推荐的准确率就不一定满足人们的实际需求了。为了提升隐语义模型的效率,本文融合了逾期因子,根据对数函数和反比例函数的特性,完成了对隐语义模型进行改进。通过使用MovieLens数据集进行实验,利用平均绝对误差、均方根误差和损失函数值作为评价指标,改进的隐语义模型对比传统隐语义模型算法的实验结果显示,改进的算法降低了训练维度,提升了训练速度,降低了训练误差,同时也提高了推荐的准确性,有效的改进了传统的隐语义模型算法。