典型文献
特征漂移约束算法在推荐系统中的优化
文献摘要：
在时间矩阵分解方法的基础上,利用概念漂移检测捕获随时间动态变化的用户兴趣和项目偏好特征,可以有效提高个性化推荐算法的准确性.为此,该文提出特征漂移约束(feature drift constraint,FDC)算法,首先,根据输入样本的评级反馈构建评级矩阵的时间序列,采用矩阵分解方法将评级矩阵分解为用户特征矩阵和项目特征矩阵;其次,在输入新的评级样本后训练模型,采用随机梯度下降方法获得优化的学习参数,计算概念漂移的动态特征加权用于调整模型;最后,结合用户兴趣特征向量和项目偏好特征向量内积计算得到预测的项目评级,实现项目推荐.仿真结果表明,与MF、TSVD++、TMF和MCFTT算法相比,特征漂移约束算法在推荐准确性和概念漂移检测的有效性方面均有较好提升.
文献关键词：
时间矩阵分解;推荐系统;概念漂移;动态特征加权
中图分类号：
作者姓名：
刘云;张轶;郑文凤
作者机构：
昆明理工大学信息工程与自动化学院,云南昆明 650500
文献出处：
引用格式：
[1]刘云;张轶;郑文凤-.特征漂移约束算法在推荐系统中的优化)[J].西北大学学报（自然科学版）,2022(02):248-255
A类：
时间矩阵分解,动态特征加权,TSVD++,MCFTT
B类：
推荐系统,分解方法,概念漂移检测,时间动态,用户兴趣,项目偏好,偏好特征,高个,个性化推荐,推荐算法,feature,drift,constraint,FDC,评级,用户特征,特征矩阵,矩阵和,项目特征,训练模型,随机梯度下降方法,学习参数,计算概念,特征向量,向量内积,TMF
AB值：
0.308042
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
