基于正則化矩陣分解的電影推薦算法

祁小軍　張濤　盧涵宇

摘要：針對細粒度和多類別的觀影用戶行為分析準(zhǔn)確度不高和推薦誤差大的問題，提出基于年齡信息正則化矩陣分解的觀影用戶行為分析算法。本算法通過6040位用戶對3925部電影的1000209條相關(guān)評論信息，通過對比三種算法的均方誤差和均方根誤差，相較于基于內(nèi)容的推薦算法分別降低了0.34%和0.17%，相較于基于用戶的協(xié)同過濾算法分別降低了14.12%和29.72%。實驗表明，本文提出的推薦算法能夠考慮不同年齡的差異，實現(xiàn)更加符合用戶實際的推薦需求，提高了推薦準(zhǔn)確度和穩(wěn)定性，改善了推薦誤差。

關(guān)鍵詞：正則矩陣分解;用戶細分;推薦算法;協(xié)同過濾

中圖分類號： TP391? ? 文獻標(biāo)識碼： A

文章編號：1009-3044（2021）01-0022-02

隨著信息技術(shù)的快速發(fā)展，電影娛樂也成了人們生活的一部分，海量的觀影用戶數(shù)據(jù)帶動了觀影用戶的分析和個性化推薦的應(yīng)用研究[1-10]。個性化推薦就是挖掘個性化用戶的觀影習(xí)性，向其提供個性化服務(wù)，進一步提高用戶觀影的購買性，從而提高廣告商的廣告效益[1-2]。

本文基于前人研究的基礎(chǔ)上，提出一種基于正則化矩陣分解的方法，引入年齡信息作為矩陣分解的正則化因子，使得學(xué)習(xí)到的潛在特征空間不僅滿足觀影人群的正交，而且使得年齡相近的用戶在潛在特征空間的映射也相近，從而吸引用戶的個性化推薦。

1 基于用戶的協(xié)同過濾

3.3 實驗結(jié)果分析

通過將正則化矩陣分解的推薦算法與基于內(nèi)容的推薦算法和傳統(tǒng)協(xié)同過濾算法進行對比。三者的MSE比較結(jié)果如表1所示。

RMSE的比較結(jié)果如表2所示。

由表1和表2的數(shù)據(jù)比較可知，無論是MSE還是RMSE，基于正則化矩陣分解推薦算法的表現(xiàn)都要明顯優(yōu)于傳統(tǒng)算法。

4結(jié)語

面對海量的網(wǎng)絡(luò)信息，人們甄選信息的難度也隨之增大，觀影用戶個性化服務(wù)和精準(zhǔn)推送需要觀影用戶的行為分析信息。為此，本文提出的基于正則化矩陣分解的推薦算法，相較于傳統(tǒng)的推薦算法，有著明顯的優(yōu)勢，實驗表明，本算法不但提高了推薦算法的準(zhǔn)確度，也提高了推薦算法的穩(wěn)定性，能夠更好地為觀影用戶進行個性化推送服務(wù)。

參考文獻：

[1] 張昪.基于概率矩陣分解的推薦算法[J].西安航空學(xué)院學(xué)報，2017，35（3）：78-83.

[2] 王揚，吳凡，姚宗強，等.基于正則化矩陣分解的用戶用電行為分析[J].計算機應(yīng)用，2017，37（8）：2405-2409.

[3] 巫錦銘.基于貝葉斯局部概率矩陣分解推薦方法研究[D].國防科技大學(xué)，2017.

[4] 張志威.個性化推薦算法研究綜述[J].信息與電腦（理論版），2018（17）：27-29.

[5] 張家鑫，劉志勇，張琳，等.基于協(xié)同過濾的多維度電影推薦方法研究[J].長春理工大學(xué)學(xué)報（自然科學(xué)版），2019，42（2）：94-99.

[6] 鄧愛林，左子葉，朱揚勇.基于項目聚類的協(xié)同過濾推薦算法[J].小型微型計算機系統(tǒng)，2004（09）：1665-1670.

[7] 李海霞.基于蟻群聚類的電子商務(wù)個性化推薦算法研究[D].濟南：山東師范大學(xué)，2014.

[8] 董璇.基于深度學(xué)習(xí)增強的個性化推薦算法研究[D].北京：北京工業(yè)大學(xué)，2019.

[9] 吳士婷.基于用戶評論的個性化推薦算法[D].北京理工大學(xué)，2017.

[10] 崔巖，祁偉，龐海龍，等.融合協(xié)同過濾和XG Boost的推薦算法[J].計算機應(yīng)用研究，2020，37（1）：62-65.

【通聯(lián)編輯：光文玲】