动态推荐系统：利用基于聚类的偏差提高预测精度
机器学习
2012-12-05 v1 数据库
信息检索
摘要
目前公认矩阵分解模型能在推荐系统中实现高质量的评分预测。然而，矩阵分解的一个主要缺点是其静态性质，导致每次分解后预测精度逐渐下降。这是因为新获得的评分在下一次分解计算之前未被纳入考虑，而由于矩阵分解的高成本，这种计算无法频繁进行。本文旨在提高推荐系统的精度，提出了一种基于聚类的矩阵分解技术，能够在线集成新评分。因此，我们显著增强了两次矩阵分解之间获得的预测结果。我们通过将相似物品聚类成组，并在这些组中为每个用户分配一个偏差，从而使用更细粒度的用户偏差。在大型数据集上进行的实验证明了我们方法的有效性。
引用
@article{arxiv.1212.0763,
title = {Dynamic recommender system : using cluster-based biases to improve the accuracy of the predictions},
author = {Modou Gueye and Talel Abdessalem and Hubert Naacke},
journal= {arXiv preprint arXiv:1212.0763},
year = {2012}
}
备注
31 pages, 7 figures