一种基于矩阵分解的电影推荐算法

聂常超

（南京理工大学 计算机科学与工程学院，江苏 南京210014）

一种基于矩阵分解的电影推荐算法

聂常超

（南京理工大学 计算机科学与工程学院，江苏 南京210014）

针对目前的电影推荐算法中，传统的矩阵分解算法对于用户的离散型评分数据集的数据利用率不高的问题，提出基于二项分布的矩阵分解算法的模型，在假定用户的评分数据是服从二项分布的前提下，利用最大后验估计学习得出损失函数，将用户的兴趣度作为影响因子，加入项目之间的邻域影响，其后利用随机梯度下降法针对问题求解。通过在MovieLens数据集上与传统的矩阵分解算法的对比实验，结果表明，提出的算法可以有效的提高推荐精度，表现出良好的稳定性。

推荐算法；二项分布；随机梯度下降；矩阵分解

飞速发展的互联网是现代社会人们获得信息的重要途径，与此同时，信息过载问题已经是网民必须要面对的一个问题。推荐系统就是为了解决信息过载问题［1］而提出的强有力的工具，同时也是目前学术界和互联网企业大力研究的热门问题。协同过滤推荐算法［2］在目前是使用最广泛的推荐算法，近些年来基于矩阵分解的推荐算法［3］越来越引起人们的重视。

目前的推荐系统中，用户对于电影的实际评分数据都是正整数，传统的矩阵分解算法不能对这些信息进行有效的利用，有鉴于此，提出了一种假设，即用户的评分数据服从二项分布。在此前提之下，从概率论的角度，假设模型中的参数都服从一定的分布模型，从机器学习的角度用最大后验估计［4］进行模型的推导，并将项目之间的相互作用加入到模型之中，矩阵分解模型因此更加健壮，具备更好的可解释性。……