一种新的自适应提升的概率矩阵分解算法

　　针对推荐系统中概率矩阵分解模型（PMF）泛化能力（对新用户和物品的推荐性能）较差、预测准确性不高的问题，提出一种新的基于自适应提升的概率矩阵分解算法（ AdaBoostPMF）。该算法首先为每个样本分配样本权重；然后根据PMF中的每一轮随机梯度下降法学习用户和物品特征向量，并计算总体预测误差均值和标准差。从全局的角度利用AdaBoost思想自适应调整样本权重，使算法更注重学习预测误差较大的样本；最后对预测误差分配样本权重，让用户和物品特征向量找到更合适的优化方向。相比传统的PMF算法，AdaBoostPMF算法能够将预测精度平均提高约2. 5%。实验结果表明，该算法通过加权预测误差较大的样本，能够较好地拟合用户特征向量和物品特征向量，提高预测精度，可以有效地应用于研究个性化推荐。