[发明专利]一种通过聚合对协同过滤推荐系统进行优化的方法

摘要

本发明公开了一种通过聚合对协同过滤推荐系统进行优化的方法，该方法通过构造同类聚合模型的方式来提高协同过滤推荐算法的推荐精度，主要采用分化训练数据集和随机注入两种方式分化构成聚合的基本推荐模型，分化训练数据集包括基于AdaBoost(AdaptiveBoosting，自适应增强法)算法和FSAM(Forward Stepwise AdditiveModeling，逐步逼近法)算法构造聚合推荐模型，随机注入包括基于随机化初始值和随机化训练序列构造聚合推荐模型，其推荐精度均优于单个基于RMF(Regularized Matrix Factorization)的隐向量模型的推荐精度。将AdaBoost、FSAM、随机化初始值和随机化训练序列四种方法加以组合，构造出叠加聚合推荐模型，其推荐精度明显优于单个基于RMF的隐向量模型和基于单一方法构造的聚合推荐模型的推荐精度。

主权项

1.一种通过聚合对协同过滤推荐系统进行优化的方法，其特征在于：是将AdaBoost、FSAM、随机化初始值和随机化训练序列四种方法加以组合，构造出叠加聚合推荐模型，具体如下：步骤一，选取基于规范化矩阵因式分解的隐向量模型作为基本推荐模型；步骤二，构造基于随机化训练序列的聚合推荐模型步骤三，以上述步骤二的基于随机化训练序列的聚合推荐模型为基本模型，为不同模型赋予不同的随机化初始值，从而构造基于随机化初始值的聚合推荐模型；步骤四，计算上述步骤三的基于随机化初始值的聚合推荐模型在原始训练数据集上的错误率，生成相应采样数据集，从而构造基于AdaBoost算法的聚合推荐模型步骤五，以上述步骤四的基于AdaBoost算法的聚合推荐模型作为基本模型，通过逐步逼近原则，采用相应的损失函数构造基于FSAM的聚合推荐模型