灰狼优化支持向量机的推荐算法

摘要

针对推荐系统中用户项目评分矩阵稀疏性和冷启动问题，采用灰狼算法（GWO）优化支持向量机（SVM）分类器，二者相结合，提出一种新算法.利用卷积矩阵分解模型（Conv MF）提取用户-项目数据的有效特征向量，降低维数，形成样本集.再将样本集用于向量机的分类识别，对错分点进行自动检测，通过灰狼算法迭代更新，找出全局最优值，从而可以根据用户行为分配不同特征的相应产品.研究结果表明：灰狼算法优化支持向量机比传统的网格搜索算法（GS）、粒子群优化算法（PSO）等得到的分类模型能更准确、有效地对推荐结果进行优化识别，降低错误率，提高预测精度和推荐准确率.