基于多分类器的迁移bagging习题推荐

？针对协同过滤(cf)推荐方法用户的历史信息不足等问题，提出基于多分类器的迁移bagging习题推荐算法。主要思路是把推荐问题投入迁移学习框架，将待推荐习题的用户作为目标域，从中搜索相似历史信息的用户作为辅助域，帮助训练目标域以得到更准确的分类结果。实验结果表明，所提方法在习题推荐库及公开数据上，比协同过滤算法性能提高了10%~20%；比单分类器bagging迁移算法性能提升了5%~10%。该方法在一定程度上解决了习题推荐系统中存在的冷启动和数据稀疏问题，也可推广到商品推荐等电子商务平台。