计算机工程

作者：王泽华, 柯新生

单位：北京交通大学 经济管理学院, 北京 100044

关键词：非负矩阵分解,联合聚类,推荐系统,坐标轴下降法,模块度

基金：科技部科技支撑计划项目"音乐云商业智能服务关键技术的研究"（2013BAH66F03-02）。

当前推荐系统多数存在推荐准确性低、受稀疏性影响大且稳定性差的问题，因此，在Coclus聚类算法的基础上，提出一种评分矩阵与联合聚类的推荐算法。通过Coclus联合聚类，利用图模块度最大化理论分别将评分矩阵的行与列分成g类，经过行列变换形成g×g个低秩评分子矩阵，并对低秩评分子矩阵进行矩阵分解，填充缺失值，以提高推荐质量，在矩阵分解阶段采用改进的非负矩阵分解算法，通过引入L1、L2范数分别提高特征值选择能力和防止模型过拟合，并利用坐标轴下降的迭代算法进行参数更新。实验结果表明，与基线算法相比，该算法具有较高的推荐准确率，且稳定性较强。

来源：2019年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2019年第11期