摘要
文章提出稀疏矩阵划分的思想,对资源评分矩阵进行划分,缩小近邻搜索的范围和需要预测的资源数目,减少数据稀疏性,提高了个性化推荐算法的可扩展性。另外,分别讨论了采取分类和聚类的方法对稀疏矩阵进行划分。实验结果表明:基于稀疏矩阵划分的个性化推荐算法在算法性能上优于传统协同过滤算法。
In this paper,we propose a personalized recommendation method based on sparse matrix partition.In our ap-proach,the user-item rating matrix can be partitioned into low-dimensional dense matrices using classification methods or clustering methods.The recommendations are generated based on low-dimensional matrices.Moreover,compared traditional collaborative filtering method,the experimental results show the effectiveness and efficiency of our approach.
出处
《微电子学与计算机》
CSCD
北大核心
2004年第2期58-62,共5页
Microelectronics & Computer
基金
国家973预研项目(2001CCA03000)
中国人民大学"211"重点项目
