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.