一種新的自適應提升的概率矩陣分解算法
大小：0.74 MB 人氣： 2017-12-27 需要積分：1
標簽：矩陣分解(3658)
針對推薦系統中概率矩陣分解模型（PMF）泛化能力（對新用戶和物品的推薦性能）較差、預測準確性不高的問題，提出一種新的基于自適應提升的概率矩陣分解算法（ AdaBoostPMF）。該算法首先為每個樣本分配樣本權重；然后根據PMF中的每一輪隨機梯度下降法學習用戶和物品特征向量，并計算總體預測誤差均值和標準差。從全局的角度利用AdaBoost思想自適應調整樣本權重，使算法更注重學習預測誤差較大的樣本；最后對預測誤差分配樣本權重，讓用戶和物品特征向量找到更合適的優化方向。相比傳統的PMF算法，AdaBoostPMF算法能夠將預測精度平均提高約2. 5%。實驗結果表明，該算法通過加權預測誤差較大的樣本，能夠較好地擬合用戶特征向量和物品特征向量，提高預測精度，可以有效地應用于研究個性化推薦。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
一種新的自適應提升的概率矩陣分解算法下載
相關電子資料下載
- 基于矩陣分解的圖嵌入 2085
- 奇異值分解和矩陣分解傻傻分不清楚？一文幫你理清兩者差異！ 5740
- 推薦系統中的矩陣分解技術 8412
- 系統機器學習算法總結知識分享 4608
- 快速高效的實現浮點復數矩陣分解 911
- 用Xilinx Vivado HLS可以快速、高效地實現QRD矩陣分解 3482