拟合矩阵与两阶融合迭代加速推荐算法

摘要: 传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系，提出拟合矩阵模型，通过构建用户与物品矩阵分别代表用户与物品特性，提高预测性能。矩阵分解模型在推荐系统领域有精度优势，但求解模型参数最常用的梯度下降法收敛速度缓慢。针对梯度下降法的上述缺陷，考虑与拟牛顿法进行融合，使得收敛速度加快。提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法(fitting matrix and two orders fusion iterative，FAST)。实验表明，FAST算法比传统的非负矩阵分解(NMF），奇异值矩阵分解(SVD），正则化奇异值矩阵分解（RSVD）在平均绝对误差(MAE）与均方根误差(RMSE）上有下降，在迭代效率上有显著提高，缓解了精度与迭代效率难以平衡的问题。