主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
刘海洋,王志海,黄丹,孙艳歌.基于评分矩阵局部低秩假设的成列协同排名算法.软件学报,2015,26(11):2981-2993
基于评分矩阵局部低秩假设的成列协同排名算法
Listwise Collaborative Ranking Based on the Assumption of Locally Low-Rank Rating Matrix
投稿时间:2015-05-31  修订日期:2015-08-26
DOI:10.13328/j.cnki.jos.004904
中文关键词:  推荐系统  协同过滤  排名学习
英文关键词:recommender system  collaborative filtering  learn to rank
基金项目:北京市自然科学基金(4142042); 中央高校基本科研业务费专项资金(2015YJS049)
作者单位E-mail
刘海洋 北京交通大学 计算机与信息技术学院, 北京 100044  
王志海 北京交通大学 计算机与信息技术学院, 北京 100044 zhhwang@bjtu.edu.cn 
黄丹 北京交通大学 计算机与信息技术学院, 北京 100044  
孙艳歌 北京交通大学 计算机与信息技术学院, 北京 100044  
摘要点击次数: 2142
全文下载次数: 2192
中文摘要:
      协同过滤方法是当今大多数推荐系统的核心.传统的协同过滤方法专注于评分预测的准确性,然而实际推荐系统的推荐结果往往是项目的排序.针对这一问题,将排名学习领域的知识引入推荐算法,设计了一种基于评分矩阵局部低秩假设的成列协同排名算法.选择直接使用计算复杂度较低的成列损失函数来优化矩阵分解模型,并通过实验验证了其在运算速度上的显著提升.在3个实际推荐系统数据集上,与当下主流推荐算法的比较实验结果表明,该算法具有良好的性能.
英文摘要:
      Collaborative filtering (CF) is the core of most of today's recommender systems. Conventional CF models focus on the accuracy of predicted ratings, while the actual output of recommender systems is a list of ranked items. In response to this problem, this research introduces technologies in the field of learning to rank into recommendation algorithms and proposes a listed collaborative ranking algorithm based on the assumption that the rating matrix is locally low-rank. It directly uses list-wise ranking loss function to optimize the matrix factorization model. Significant improvement on operation speed is achieved and verified by experiment. Experiments on three real-world recommender system datasets show that the proposed algorithm is a viable approach compared with existing recommendation algorithms.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利