结合非负矩阵填充及子集划分的协同推荐算法

摘要 针对协同过滤推荐中评分矩阵极度稀疏问题,以及很多应用对数据存在非负约束要求,提出一种结合矩阵填充及用户兴趣子集划分的协同推荐算法.首先提出非负约束下的低秩矩阵填充模型(Non-negative Constrained Low Rank Matrix Completion,LR-NMF),以及有效求解该模型的迭代算法.该算法不仅可以利用重构矩阵填充原始矩阵中的缺失项,而且可以得到评分矩阵的非负分解表示.在此基础上,提出一种结合LR-NMF的基于群组的协同推荐方法.利用矩阵非负分解结果,通过块模型近似算法划分用户-兴趣子集或物品-特征子集,最终产生top-N协同推荐列表.实验结果表明,提出的方法不仅有效填充评分矩阵的缺失项,而且推荐精度优于其它协同推荐算法.在大规模稀疏数据集中,仍然具有很好的性能