评分数据的极端稀疏性是制约协同过滤(CF)算法在电子商务推荐中有效应用的关键瓶颈。为此,提出一种新颖的隐空间多源迁移协同过滤(latent multi-source transfer collaborative filtering,LMTCF)方法,在某个优化的隐子空间内,LMTCF桥接...评分数据的极端稀疏性是制约协同过滤(CF)算法在电子商务推荐中有效应用的关键瓶颈。为此,提出一种新颖的隐空间多源迁移协同过滤(latent multi-source transfer collaborative filtering,LMTCF)方法,在某个优化的隐子空间内,LMTCF桥接多个用户/项目源领域隐因子,并保留目标数据的局部几何结构,从而更好地解决协同过滤中存在的数据稀疏性问题,且还能有效克服现有方法存在的负迁移和迁移不充分的问题。在实际基准数据集上的实验结果显示了所提方法明显优于现有相关方法。展开更多
文摘评分数据的极端稀疏性是制约协同过滤(CF)算法在电子商务推荐中有效应用的关键瓶颈。为此,提出一种新颖的隐空间多源迁移协同过滤(latent multi-source transfer collaborative filtering,LMTCF)方法,在某个优化的隐子空间内,LMTCF桥接多个用户/项目源领域隐因子,并保留目标数据的局部几何结构,从而更好地解决协同过滤中存在的数据稀疏性问题,且还能有效克服现有方法存在的负迁移和迁移不充分的问题。在实际基准数据集上的实验结果显示了所提方法明显优于现有相关方法。
