论文部分内容阅读
针对现有的多指标推荐模型预测精度较低、速度较慢的问题，提出一种多指标推荐的全局邻域模型（MGNgbr）．该模型综合全局的打分信息和隐性反馈数据，通过随机梯度下降法学习物品在各个指标上的相似度，选择相似度最高的前k个邻居参与运算并最终预测用户对物品的打分信息．该模型具有预测准确度高、解释性好、计算复杂度低等优点．实验结果表明，该模型的预测准确度和分类准确度均优于现有的平均值融合模型、多维距离模型和多维奇异值分解模型，与多维奇异值分解模型相比，该模型还具有收敛快、运行时间短等优点．