计算机应用研究

作者：王帅,孙福振,王绍卿,张进,方春,

单位：山东理工大学计算机科学与技术学院,山东淄博255049；

关键词：拟合矩阵,矩阵分解,拟牛顿法,梯度下降,融合,

基金：国家自然科学基金资助项目(61602280)；山东省自然科学基金资助项目(ZR2014FQ028)；；

传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系，提出拟合矩阵模型，通过构建用户与物品矩阵分别代表用户与物品特性来提高预测性能。矩阵分解模型在推荐系统领域有精度优势，但求解模型参数最常用的梯度下降法收敛速度缓慢，因此考虑与拟牛顿法融合，加快收敛速度。提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法（fitting matrix and two orders fusion iterative，FAST），实验表明，FAST算法比传统的非负矩阵分解（NMF）、奇异值矩阵分解（SVD）、正则化奇异值矩阵分解（RSVD）在平均绝对误差（MAE）与均方根误差（RMSE）上有下降，在迭代效率上有显著提高，缓解了精度与迭代效率难以平衡的问题。

来源：2020年第2期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2020年第2期