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，提高了推薦準確度和穩(wěn)定性，改善了推薦誤差。

關鍵詞：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? ? 文獻標識碼： A

文章編號：1009-3044（2021）01-0022-02

隨著信息技術的快速發(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用研究[1-10]。個性化推薦就是挖掘個性化用戶的觀影習性，向其提供個性化服務，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，使得學習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 實驗結果分析

通過將正則化矩陣分解的推薦算法與基于內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比較結果如表1所示。

RMSE的比較結果如表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結語

面對海量的網(wǎng)絡信息，人們甄選信息的難度也隨之增大，觀影用戶個性化服務和精準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。

參考文獻：

[1] 張昪.基于概率矩陣分解的推薦算法[J].西安航空學院學報，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，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].長春理工大學學報（自然科學版），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個性化推薦算法研究[D].濟南：山東師范大學，2014.

[8] 董璇.基于深度學習增強的個性化推薦算法研究[D].北京：北京工業(yè)大學，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，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].計算機應用研究，2020，37（1）：62-65.

【通聯(lián)編輯：光文玲】