基于正则化矩阵分解的电影推荐算法

祁小军　张涛　卢涵宇

摘要：针对细粒度和多类别的观影用户行为分析准确度不高和推荐误差大的问题，提出基于年龄信息正则化矩阵分解的观影用户行为分析算法。本算法通过6040位用户对3925部电影的1000209条相关评论信息，通过对比三种算法的均方误差和均方根误差，相较于基于内容的推荐算法分别降低了0.34%和0.17%，相较于基于用户的协同过滤算法分别降低了14.12%和29.72%。实验表明，本文提出的推荐算法能够考虑不同年龄的差异，实现更加符合用户实际的推荐需求，提高了推荐准确度和稳定性，改善了推荐误差。

关键词：正则矩阵分解;用户细分;推荐算法;协同过滤

中图分类号： TP391    文献标识码： A

文章编号：1009-3044（2021）01-0022-02

随着信息技术的快速发展，电影娱乐也成了人们生活的一部分，海量的观影用户数据带动了观影用户的分析和个性化推荐的应用研究[1-10]。个性化推荐就是挖掘个性化用户的观影习性，向其提供个性化服务，进一步提高用户观影的购买性，从而提高广告商的广告效益[1-2]。

本文基于前人研究的基础上，提出一种基于正则化矩阵分解的方法，引入年龄信息作为矩阵分解的正则化因子，使得学习到的潜在特征空间不仅满足观影人群的正交，而且使得年龄相近的用户在潜在特征空间的映射也相近，从而吸引用户的个性化推荐。

1 基于用户的协同过滤

3.3 实验结果分析

通过将正则化矩阵分解的推荐算法与基于内容的推荐算法和传统协同过滤算法进行对比。三者的MSE比较结果如表1所示。

RMSE的比较结果如表2所示。

由表1和表2的数据比较可知，无论是MSE还是RMSE，基于正则化矩阵分解推荐算法的表现都要明显优于传统算法。

4结语

面对海量的网络信息，人们甄选信息的难度也随之增大，观影用户个性化服务和精准推送需要观影用户的行为分析信息。为此，本文提出的基于正则化矩阵分解的推荐算法，相较于传统的推荐算法，有着明显的优势，实验表明，本算法不但提高了推荐算法的准确度，也提高了推荐算法的稳定性，能够更好地为观影用户进行个性化推送服务。

参考文献：

[1] 张昪.基于概率矩阵分解的推荐算法[J].西安航空学院学报，2017，35（3）：78-83.

[2] 王扬，吴凡，姚宗强，等.基于正则化矩阵分解的用户用电行为分析[J].计算机应用，2017，37（8）：2405-2409.

[3] 巫锦铭.基于贝叶斯局部概率矩阵分解推荐方法研究[D].国防科技大学，2017.

[4] 张志威.个性化推荐算法研究综述[J].信息与电脑（理论版），2018（17）：27-29.

[5] 张家鑫，刘志勇，张琳，等.基于协同过滤的多维度电影推荐方法研究[J].长春理工大学学报（自然科学版），2019，42（2）：94-99.

[6] 邓爱林，左子叶，朱扬勇.基于项目聚类的协同过滤推荐算法[J].小型微型计算机系统，2004（09）：1665-1670.

[7] 李海霞.基于蚁群聚类的电子商务个性化推薦算法研究[D].济南：山东师范大学，2014.

[8] 董璇.基于深度学习增强的个性化推荐算法研究[D].北京：北京工业大学，2019.

[9] 吴士婷.基于用户评论的个性化推荐算法[D].北京理工大学，2017.

[10] 崔岩，祁伟，庞海龙，等.融合协同过滤和XG Boost的推荐算法[J].计算机应用研究，2020，37（1）：62-65.

【通联编辑：光文玲】