基于相似性随时间衰减的矩阵分解算法

摘要 近年来时间信息越来越多的被应用到推荐系统中，但是大部分研究很少把相似性随时间的衰减融入到矩阵分解当中.用户近期的行为相比用户很久之前的行为，更能体现用户现在的兴趣.因此提出一种融合相似性衰减的矩阵分解算法，本算法把时间信息融入到相似性的计算当中，通过基于时间的协同过滤算法计算用户用户相似性和物品物品的相似性，并把此相似性的值作为误差函数的初始值.然后利用矩阵分解的方法计算出用户用户，物品物品之间的相似性，并把此相似性的值作为预测值.最后，我们利用初始值和预测值的差来构建误差函数.为了最小化误差函数，我们利用随机梯度下降法，进行迭代训练模型 .在MovieLens上的实验结果表明，提出的推荐算法在一定程度上提高了推荐结果的准确性