多特征的核线性判别分析推荐方法

为提高在非线性可分数据上的推荐质量,采用基于核函数的多特征线性判别分析建立推荐模型.基于多维特征数据,采用非线性映射转换到高维特征空间,通过构建基于核的映射函数,将特征映像转换为内积空间的特征子集,最终建立基于核函数的多特征线性判别分析的分类准则,对于用户喜好的物品进行分类判别并生成推荐.实验结果表明:在20％、40％、60％、80％的数据作为训练集,其余为测试集的实验条件下,随着推荐列表长度|R|的增加,推荐准确率呈现先升后降的趋势,在25≤|R| ≤35区间内,能够取得最优的平均绝对误差0.34.所提方法与现有方法相比准确率平均提升18.01％,多样性平均提升42.29％,而所用时间开销仅增加6.21％.对历史偏好数据进行特征映射,有助于提高推荐准确率与多样性.