一种基于自适应学习率的推荐优化算法模型

在预测推荐系统中用户和项目构成的高维稀疏矩阵中的缺失值时,通常采用随机梯度下降算法对构造的隐因子(LF)模型进行求解,由于在求解过程中,学习速率始终保持不变,这使得在模型训练过程中模型的性能有所损失。因此,本文将构造一种带有自适应学习率的随机梯度下降算法的LF模型(ADA_LF)来处理推荐系统中的高维稀疏矩阵。采用大型工业数据集对模型进行实验测试,结果表明,采用ADA_SGD算法构建的LF模型在收敛速率、预测精度上都有明显提升,提高了模型的性能。

四川省教育厅重点项目(15ZA048); 西华师范大学英才基金资助课题(17YC150); 国家级大学生创新创业训练计划(201510638047);

随机梯度下降; 自适应学习率; 高维稀疏矩阵; 推荐系统;

10.16246/j.issn.1673-5072.2019.02.015

TP391.3

76197-20371870K
在线咨询 用户反馈