一種新的自適應(yīng)提升的概率矩陣分解算法

　　針對推薦系統(tǒng)中概率矩陣分解模型（PMF）泛化能力（對新用戶和物品的推薦性能）較差、預(yù)測準(zhǔn)確性不高的問題，提出一種新的基于自適應(yīng)提升的概率矩陣分解算法（ AdaBoostPMF）。該算法首先為每個樣本分配樣本權(quán)重；然后根據(jù)PMF中的每一輪隨機(jī)梯度下降法學(xué)習(xí)用戶和物品特征向量，并計算總體預(yù)測誤差均值和標(biāo)準(zhǔn)差。從全局的角度利用AdaBoost思想自適應(yīng)調(diào)整樣本權(quán)重，使算法更注重學(xué)習(xí)預(yù)測誤差較大的樣本；最后對預(yù)測誤差分配樣本權(quán)重，讓用戶和物品特征向量找到更合適的優(yōu)化方向。相比傳統(tǒng)的PMF算法，AdaBoostPMF算法能夠?qū)㈩A(yù)測精度平均提高約2. 5%。實(shí)驗結(jié)果表明，該算法通過加權(quán)預(yù)測誤差較大的樣本，能夠較好地擬合用戶特征向量和物品特征向量，提高預(yù)測精度，可以有效地應(yīng)用于研究個性化推薦。