基于評分相似性的群稀疏矩陣分解推薦算法

　　如何提高系統(tǒng)的推薦精度，是當(dāng)前推薦系統(tǒng)面臨的重要問題。對矩陣分解模型進行了研究，針對評分?jǐn)?shù)據(jù)的群結(jié)構(gòu)性問題，提出了一種基于評分相似性的群稀疏矩陣分解模型（ SSMF-GS）。首先，根據(jù)用戶的評分行為對評分?jǐn)?shù)據(jù)矩陣進行分群，獲得相似用戶群評分矩陣；然后，通過SSMF-GS算法對相似用戶群評分矩陣進行群稀疏矩陣分解；最后，采用交替優(yōu)化算法對模型進行求解。所提模型可以篩選出不同用戶群的偏好潛在項目特征，提升了潛在特征的可解釋性。在GroupLens網(wǎng)站上提供的MovieLens數(shù)據(jù)集上進行仿真實驗，實驗結(jié)果表明，所提算法可以顯著提高預(yù)測精度，平均絕對誤差（MAE）及均方根誤差（RMSE）指標(biāo)均表現(xiàn)出良好的性能。