基于评分相似性的群稀疏矩阵分解推荐算法

　　如何提高系统的推荐精度，是当前推荐系统面临的重要问题。对矩阵分解模型进行了研究，针对评分数据的群结构性问题，提出了一种基于评分相似性的群稀疏矩阵分解模型（ SSMF-GS）。首先，根据用户的评分行为对评分数据矩阵进行分群，获得相似用户群评分矩阵；然后，通过SSMF-GS算法对相似用户群评分矩阵进行群稀疏矩阵分解；最后，采用交替优化算法对模型进行求解。所提模型可以筛选出不同用户群的偏好潜在项目特征，提升了潜在特征的可解释性。在GroupLens网站上提供的MovieLens数据集上进行仿真实验，实验结果表明，所提算法可以显著提高预测精度，平均绝对误差（MAE）及均方根误差（RMSE）指标均表现出良好的性能。