文献类型：期刊文章

作　　者：王成[1] 李千目[2]

Wang Cheng;Li Qianmu(Division of Informationization Construction and Management;School of Computer Scienceand Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)

机构地区：[1]南京理工大学信息化建设与管理处 [2]计算机科学与工程学院,江苏南京210094

出　　处：《南京理工大学学报》

年　　份：2021

卷　　号：45

期　　号：5

起止页码：551-557

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：针对数据稀疏性导致推荐算法准确度不高的难题,提出一种融合词频-逆向文件频率(Term frequency-inverse document frequency,TF-IDF)的受限玻尔兹曼机(Restricted Boltzmann machine,RBM)推荐算法,利用受限玻尔兹曼机构建用户项目二维评分矩阵,利用余弦相似度计算方法得出初始推荐评分,最后融合词频-逆向文件频率算法生成最终推荐结果集。对MovieLens1M的电影评分数据进行实验,结果显示,该文提出的混合推荐算法的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)分别为0.6028和0.6225,比传统受限玻尔兹曼机分别提高3.22%与6.06%,也优于对照混合推荐模型的准确率。该算法能提高用户评分预测精度,进一步提升推荐质量。

关 键 词：机器学习  受限玻尔兹曼机  词频-逆向文件频率  余弦相似度 对比散度  

分 类 号：TP393]