论文部分内容阅读
针对矩阵分解推荐算法存在的数据稀疏和不能反映用户兴趣变化的问题,提出一种融合用户点评数据、用户-物品评分数据、物品异构信息和遗忘曲线的改进型矩阵分解推荐算法.首先,利用Worde2Vec对用户点评数据中包含的物品内容信息进行挖掘,结合物品属性数据得出物品相似度矩阵;然后,构建用户-物品-属性的加权异构信息网络,在权重计算时引入激活函数和遗忘曲线,通过元路径计算用户相似度矩阵;最后,把物品相似度矩阵和用户相似度矩阵融合到矩阵分解算法的目标函数中.实验结果表明,该改进算法相比于传统矩阵分解推荐算法和部分其他改进算法具有更高的准确率、召回率、覆盖率和更低的均方根误差.