计算机工程

作者：周运腾, 张雪英, 李凤莲, 刘书昌, 焦江丽, 田豆

单位：太原理工大学 信息与计算机学院, 太原 030600

关键词：协同过滤,奇异值分解,强化学习,马尔科夫决策过程,Q-learning算法

基金：山西省重点研发计划（社会发展领域）（201803D31045）；山西省自然科学基金（201801D121138）；山西省科技重大专项（20181102008）。

为进一步改善个性化推荐系统的推荐效果，通过使用强化学习方法对SVDPP算法进行优化，提出一种新的协同过滤推荐算法。考虑用户评分的时间效应，将推荐问题转化为马尔科夫决策过程。在此基础上，利用Q-learning算法构建融合时间戳信息的用户评分优化模型，同时通过预测评分取整填充和优化边界补全方法预测缺失值，以解决数据稀疏性问题。实验结果显示，该算法的均方根误差较SVDPP算法降低了0.005 6，表明融合时间戳并采用强化学习方法进行推荐性能优化是可行的。

来源：2021年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2021年第2期