基于非负矩阵分解与项目热度的协同过滤推荐算法

杨海清; 吴浩; 曾俊飞

doi:10.13873/J.1000-9787(2021)02-0117-03

Chinese

您当前的位置：

首页 >

文章列表页 >

基于非负矩阵分解与项目热度的协同过滤推荐算法

计算与测试 | 更新时间：2025-09-11

- 基于非负矩阵分解与项目热度的协同过滤推荐算法
- Algorithm of collaborative filtering recommendation based on non-negative matrix factorization and item heat
- 传感器与微系统 2021年第2期页码：117-119
- 作者机构：
  
  浙江工业大学信息工程学院
- 作者简介：
- 基金信息：
  
  浙江省自然科学基金资助项目(LY13F010008);浙江省科技计划资助项目(2015F50009)
- DOI：10.13873/J.1000-9787(2021)02-0117-03
  中图分类号： TP391.3
- 纸质出版：2021
- 稿件说明：
移动端阅览
杨海清, 吴浩, 曾俊飞. 基于非负矩阵分解与项目热度的协同过滤推荐算法[J]. 传感器与微系统, 2021,(2):117-119.

YANG Haiqing, WU Hao, ZENG Junfei. Algorithm of collaborative filtering recommendation based on non-negative matrix factorization and item heat[J]. 2021, (2): 117-119.
杨海清, 吴浩, 曾俊飞. 基于非负矩阵分解与项目热度的协同过滤推荐算法[J]. 传感器与微系统, 2021,(2):117-119. DOI： 10.13873/J.1000-9787(2021)02-0117-03.

YANG Haiqing, WU Hao, ZENG Junfei. Algorithm of collaborative filtering recommendation based on non-negative matrix factorization and item heat[J]. 2021, (2): 117-119. DOI： 10.13873/J.1000-9787(2021)02-0117-03.

摘要

针对基于邻域的协同过滤算法只考虑相似度这一因素和传统矩阵分解出现负值的问题

提出了一种非负矩阵分解和项目热度相结合的两阶段k近邻选择算法

把项目热度融入到相似度计算中

有效缓解了数据稀疏性问题。实验结果表明:提出的算法与经典算法相比

推荐精度更高。

Abstract

Aiming at the problem that the neighbor-based collaborative filtering algorithm only considers the similarity factor and the negative value of the traditional matrix decomposition

a two-stage K-nearest neighbor selection algorithm combining non-negative matrix factorization and project heat is proposed. The project heat is integrated into the similarity calculation

the problem of data sparsity is effectively alleviated. Experimental results show that the proposed algorithm has higher precision than the classical algorithm.

关键词

Keywords

references

浏览量

225

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

面向相似重复记录检测的特征优选方法