基于KL散度的ALS推荐算法
针对传统协同过滤推荐算法在稀疏数据上推荐准确度低的问题,提出一种基于KL散度的ALS推荐算法KL-ALS.传统ALS算法计算物品相似度时只考虑了用户之间的共同评分项,得到的相似性与真实值会有一定的误差,而采用KL散度计算物品相似度时,对用户评论的数量不做任何限制,不依赖于用户共同评分项.KL-ALS算法首先将ALS算法计算物品相似度和KL散度计算的物品相似度按照一定权重混合,产生总体相似度,进而采用ALS算法训练模型,能够更加准确地度量物品间的相似度,改善推荐效果.实验选取亚马逊智能产品评论数据集,与传统的基于ALS的协同过滤推荐算法和基于物品的协同过滤推荐算法(Item-CF)进行对比,实验结果表明KL-ALS推荐算法能有效提高推荐的准确度和性能.
KL散度、ALS算法、推荐算法、相似度、协同过滤
18
TP399(计算技术、计算机技术)
2022-05-31（万方平台首次上网日期，不代表论文的发表时间）
共3页
4-6
