推荐系统帮助用户在海量数据中更便捷地找到他们最感兴趣的内容。但推荐系统存在可信度低、推荐结果的可解释性不足、可扩展性不好、随着用户数量的增大,计算时间增长且精度较低、数据稀疏性和冷启动等问题。为此提出基于交替最小二乘法...推荐系统帮助用户在海量数据中更便捷地找到他们最感兴趣的内容。但推荐系统存在可信度低、推荐结果的可解释性不足、可扩展性不好、随着用户数量的增大,计算时间增长且精度较低、数据稀疏性和冷启动等问题。为此提出基于交替最小二乘法(alternating least squares,ALS)的推荐系统优化算法,在ALS基础上对两个部分进一步优化:第一部分采用LBFGS (limited-memory broyden-fletcher-goldfarb-shanno)算法使搜索方向快速计算出来;第二部分采用阻尼牛顿法求解步长因子。在Spark平台上加以验证,取得较好效果。展开更多
文摘推荐系统帮助用户在海量数据中更便捷地找到他们最感兴趣的内容。但推荐系统存在可信度低、推荐结果的可解释性不足、可扩展性不好、随着用户数量的增大,计算时间增长且精度较低、数据稀疏性和冷启动等问题。为此提出基于交替最小二乘法(alternating least squares,ALS)的推荐系统优化算法,在ALS基础上对两个部分进一步优化:第一部分采用LBFGS (limited-memory broyden-fletcher-goldfarb-shanno)算法使搜索方向快速计算出来;第二部分采用阻尼牛顿法求解步长因子。在Spark平台上加以验证,取得较好效果。
