一种基于协同矩阵分解的用户冷启动推荐算法

摘要：

位置服务作为一种信息共享平台,在方便人们交流和共享信息的同时,也因为用户数量的不断增加,而面临着严重的信息过载问题.如何利用推荐技术对信息进行过滤和筛选,帮助用户在位置服务中发现有价值的信息成为近年来研究的热点.但目前已有的推荐算法,在只有消费记录这种隐性数据情况下,针对用户较少活动区域或新用户的推荐效率较低,无法最大化挖掘隐性数据所带的信息.针对以上问题,结合位置服务平台的特点,针对用户冷启动问题,提出了一种结合协同概率矩阵分解与迭代决策树(gradient boosting decision tree,GBDT)的推荐算法.该方法首先使用多层协同概率矩阵分解在多个维度上得到用户潜在特征,然后使用GBDT学习算法对特征和标签进行训练得到用户对项目的偏好,最后使用考虑约束问题的top-N推荐产生推荐列表.在真实数据集上的实验结果表明,与目前较为流行的方法相比,提出的方法能在准确率、F1值上取得较好的结果,能更好地缓解位置服务中的冷启动问题.

关键词：推荐系统、位置服务、概率矩阵分解、冷启动问题、约束

所属期刊栏目：54

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目61602282,61602284;中国博士后科学基金项目2016M602181;国家社会科学基金项目14BTQ049 This work was supported by the National Natural Science Foundation of China61602282,61602284;the Postdoctoral Science Foundation of China2016M602181;the National Social Science Foundation of China14BTQ049

在线出版日期：2017-09-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1813-1823