结合多信息的概率矩阵分解模型

摘要

为了改善传统协同过滤推荐算法的冷启动与数据稀疏问题,基于概率矩阵分解模型,将用户属性、物品关系与时序行为融合到模型中,通过不断调整3种模型所占权重,得到最小的RMSE值。在Movielens数据集上进行实验,并与其它相关算法的RMSE值进行比较。实验结果表明,结合多信息的概率矩阵分解模型的RMSE值低于其它推荐方法,即推荐精度优于其它方法。结合多信息的概率矩阵分解模型,在数据稀疏情况下,也能保持较好的推荐性能,推荐精度得到一定程度提升。