结合多信息的概率矩阵分解模型

为了改善传统协同过滤推荐算法的冷启动与数据稀疏问题，基于概率矩阵分解模型，将用户属性、物品关系与时序行为融合到模型中，通过不断调整3种模型所占权重，得到最小的RMSE值。在Movielens数据集上进行实验，并与其它相关算法的RMSE值进行比较。实验结果表明，结合多信息的概率矩阵分解模型的RMSE值低于其它推荐方法，即推荐精度优于其它方法。结合多信息的概率矩阵分解模型，在数据稀疏情况下，也能保持较好的推荐性能，推荐精度得到一定程度提升。