摘要：贝叶斯概率矩阵分解方法因较高的预测准确度和良好的可扩展性，常用于个性化推荐系统，但其推荐精度会受初始评分矩阵稀疏特性的影响。提出一种基于广义高斯分布的贝叶斯概率矩阵分解方法GBPMF（generalized Gaussian distribution Bayesian PMF），采用广义高斯分布作为先验分布，通过机器学习自动选择最优的模型参数，并基于Gibbs采样进行高效训练，从而有效缓解矩阵的稀疏性，减小预测误差。同时考虑到评分时差因素对预测过程的影响，在采样算法中添加时间因子，进一步对方法进行优化，提高预测精度。实验结果表明：GBPM F方法及其优化方法GBPM F‐T 对非稀疏矩阵和稀疏矩阵均具有较高的精度，后者精度更高。当矩阵非常稀疏时，传统贝叶斯概率矩阵分解方法的精度急剧降低，而该方法则具有较好的稳定性。

原文链接:http://d.wanfangdata.com.cn/Periodical/jsjyjyfz201612012

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）