一种智慧文博下融合多因素的矩阵分解个性化推荐方法

摘要

本发明公开了一种智慧文博下融合多因素的矩阵分解个性化推荐方法，该方法包括：对用户历史数据集进行初始化并分析处理，运用F‑PEARSON计算出用户与其他用户的相似性得分；根据基于机器学习的BERT模型训练用户历史数据集，预测出每个用户对不同年代不同类型电影的评分；根据用户的特征矩阵和项目的特征矩阵，并结合用户相似性得分、预测评分，构建融合多因素的预测评分公式和目标函数；输入待预测的用户数据，运用随机梯度下降法进行求解，使得目标函数下降最快，得到预测评分。本发明可以有效解决传统推荐算法在稀疏数据、冷启动、特征关系提取等问题上处理能力的不足等问题，降低了预测评分误差和提高推荐的精确度。