Resumen

El modelo de factorización de matrices de probabilidad se puede utilizar para resolver el problema de la alta dimensionalidad y dispersión de datos de usuarios y valoraciones en los sistemas de recomendación. Sin embargo, la mayoría de los métodos existentes utilizan al usuario para modelar la valoración del ítem, ignorando la relación entre el usuario y el ítem, por lo que la precisión de la predicción de la valoración usuario-ítem sigue siendo baja. Por lo tanto, este artículo propone un modelo de factorización de matrices probabilísticas basado en el aprendizaje de conjunto de redes neuronales BP, bagging y clustering difuso. En primer lugar, se utiliza la función de pertenencia del clustering difuso y la selección del centro del clúster para calcular la matriz de valoraciones usuario-ítem; en segundo lugar, la red neuronal BP entrena la matriz de puntuaciones usuario-ítem después del clustering, mejorando aún más la precisión de la predicción de puntuaciones; finalmente, se introduce el método de bagging en el aprendizaje de conjunto, que toma el número de puntuaciones usuario-ítem como el aprendiz base, entrena

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Probabilidad; Factorización de matrices; Sistemas de recomendación; Red neuronal bp; Aprendizaje en conjunto; Agrupamiento difuso
• Keywords:Probability; Matrix factorization; Recommender systems; Bp neural network; Ensemble learning; Fuzzy clustering