科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统的矩阵分解在获取特征矩阵的过程中，没有很好地考虑矩阵的实际意义，并且普遍使用随机梯度下降（SGD）或交替最小二乘（ALS）法优化目标函数。本文提出一种改进的神经网络方法，将用户对电影的评分矩阵分解成电影类型矩阵与用户偏好矩阵，并结合BP(back propagation)神经网络进行训练。训练过程中使用了改进的Adam方法，该方法考虑时间因素，防止学习率震荡，使用融合时间因素和高斯核函数的方法对学习率分段修正。最后在MovieLens数据集上进行仿真，与基于用户的协同过滤User-CF和基于物品的协同过滤Item-CF，以及在SGD和Adam优化器上进行对比，其准确率和MAE性能参数均有所提升。
