计算机应用研究

作者：温佐承,沈少朋,周相兵,蓝昊杰,张智恒,

单位：1.四川旅游学院信息与工程学院,成都610100；2.成都信息工程大学软件工程学院,成都610200；3.电子科技大学资源与环境学院,成都611731；

关键词：插值估计,奇异值分解,推荐系统,稀疏性,

基金：国家自然科学基金资助项目(62006200)；四川省科技计划项目(2021YFS0407)；四川省科技创新苗子工程项目(2022060)；阿坝州成果转化项目(R21CGZH0001)；中央引导地方科技发展专项(2021ZYD0003)；四川旅游学院校级项目(21SCTUTY05,2021SCTUZK84,2021SCTUZK85,ZL2020024,2020SCTU14)；；

插值估计可缓解推荐系统的稀疏问题，但其效果会影响预测性能。以logistic用户习惯（habit）评分加权改进Jaccard（HabJac）相似度量，并通过K近邻获得插补评分。进而，通过融合正则化奇异值分解（RSVD）技术提出了新的HISVD推荐算法，并获得最终预测。用户的习惯评分被定义为其出现频次最高的评分，并且logistic权值同评分与习惯评分之间的欧氏距离正相关。在四个现实数据集上的实验结果表明：a）HISVD在不同数据集上，最优情况下的参数比较稳定；b）HISVD在MAE和RSME指标上均超过了主流算法。

来源：2022年第7期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2022年第7期