基于迁移学习的单类协同过滤算法

：协同过滤算法是现在个性化推荐领域流行的算法。对常见的推荐问题，协同过滤算法已有成熟的实现。单类协同过滤问题是推荐领域的一个新问题，其数据特征导致其不适用于常见的协同过滤算法。本文研究了基于加权矩阵分解的单类协同过滤算法，并对其进行基于迁移学习的改进。通过在真实数据集上的验证，证明其效果优于传统的单类协同过滤算法。

随着互联网的发展，很多有一定规模的公司都积累了大量的用户数据，如何利用这些数据找出用户的使用倾向成为商家的迫切需求；同时， 作为普通用户， 如何从互联网的海量数据当中找出自己最需要的内容，也是用户的急切需要。这些事实成为推动推荐技术发展的主要助力。

而无论对于企业还是用户而言，对每个用户产生针对其使用特点的个性化推荐都是远远优于给所有 用户同样的推荐内容的。因此，个性化推荐成为推荐技术的主要发展方向。对于个性化推荐，各种成熟的协同过滤算法是其主要实现方式。

在个性化推荐问题当中，有一类特殊协同过滤问题。其数据集的用户和项之间缺乏或者完全没有打分数据， 而只有二值化的点击数据(如对于新闻网站， 用户只有点击与否的二值数据；对视频网站，用户只有观看与否的二值数据；都缺乏数值化的打分数据)。

这种情况，被称作“单类协同过滤”。单类协同过滤问Copyright © 2013 Hanspub 12