习的改进正则化奇异值分解推荐算法.pdfVIP

第35 卷第12 期 电 子 与 信 息 学 报 Vol.35No.12 2013 年12 月 Journal of Electronics Information Technology Dec. 2013 一种基于标签迁移学习的改进正则化奇异值分解推荐算法 方耀宁*① 郭云飞① 丁雪涛② 兰巨龙① ① (国家数字交换系统工程技术研究中心 郑州 450002) ②(清华大学软件工程学院 北京 100084) 摘 要：基于正则化奇异值分解(RSVD)的推荐算法在预测准确性上具有明显优势，但存在计算量大的缺点，一定 程度上限制了其在实际工程中的应用。针对这个问题，该文提出一种基于标签迁移学习的改进 RSVD 推荐算法， 在相对稠密的辅助数据集合上根据标签信息来提取用户/项目特征，然后将用户/项目特征应用到RSVD 算法中， 在目标数据集合上进行评分预测。在 MovieLens 数据集合上的实验结果表明，该算法能够缓解数据稀疏性问题， 显著降低预测误差(约0.01 RMSE)，同时减少约50%的训练时间。 关键词：计算机网络；推荐系统；协同过滤；正则化奇异值矩阵分解(RSVD)；迁移学习 中图分类号：TP393 文献标识码： A 文章编号：1009-5896(2013)12-3046-05 DOI: 10.3724/SP.J.1146.2013.00290 An Improved Regularized Singular Value Decomposition Recommender Algorithm Based on Tag Transfer Learning ① ① ② ① Fang Yao-ning Guo Yun-fei Ding Xue-tao Lan Ju-long ① (National Digital Switching System Engineering and Technological RD Center, Zhengzhou 450002, China) ② (School of Software, Tsinghua University, Beijing 100084, China) Abstract: The recommender algorithm based on Regularized Singular Value Decomposition (RSVD) has significant advantages in predictive accuracy, while it is computationally intensive, which limits greatly its application to engineering projects. To address this issue, an improved algorithm based on tag transfer learning is proposed. It leverages tag information in the relatively denser auxiliary dataset to extract user/item features, which are further used in the RSVD approach in ord