论文部分内容阅读
针对传统协同过滤推荐算法存在的冷启动、数据稀疏以及相似度度量的准确性问题，基于LDA主题模型对文本隐式主题挖掘的有效性和KL散度在主题分布相似性度量的准确性，提出了结合LDA主题模型的矩阵分解推荐算法。首先，利用改进的LDA算法输出项目-主题分布，并用困惑度作为主题数设置的修正函数；然后分别基于余弦相似度和KL散度计算得到项目相似度矩阵，将得到的相似度矩阵结合原评分训练集输出预评分，再将预评分填充到训练集；最后将训练集输入ALS矩阵分解算法得到推荐结果。通过MovieLens数据集的实验结果表明，该算法在不同隐式参数设定下均能得到比ALS推荐算法以及更小的预测误差，并且最优预测误差小于传统推荐算法。该实验说明了通过集成LDA主题模型的ALS算法效果要优于其他推荐算法。