融合信任關(guān)系的矩陣分解推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)和電子商務(wù)的快速發(fā)展，信息處于過載狀態(tài)。相比于傳統(tǒng)搜索引擎的信息檢索方式，個性化推薦系統(tǒng)提供了另一種有效解決信息過載問題的方法。個性化推薦系統(tǒng)通過分析用戶的屬性特征信息（性別、年齡、職業(yè)、愛好等）和歷史行為信息（用戶對項目的評分等），得到用戶的興趣偏好，然后主動、個性化的向用戶推薦相關(guān)商品和信息，提高用戶查找信息的質(zhì)量和效率。傳統(tǒng)推薦算法，如協(xié)同過濾推薦算法，是目前電子商務(wù)網(wǎng)站推薦系統(tǒng)中應(yīng)用最為廣泛和有效的技術(shù)，但由于僅僅考慮

2、了用戶項目評分?jǐn)?shù)據(jù)，且用戶項目評分矩陣存在很大的稀疏性，導(dǎo)致推薦質(zhì)量不高。同時，傳統(tǒng)推薦算法還存在冷啟動問題，即新用戶問題和新項目問題，以及抗攻擊性問題和擴(kuò)展性問題等。因此，考慮到用戶更傾向于選擇或接受用戶自己朋友推薦的商品或信息，本文通過融合用戶信任關(guān)系，提出融合用戶信任關(guān)系和矩陣分解的推薦算法。具體如下：
　　首先，提出融合用戶信任關(guān)系和概率矩陣分解的推薦算法（Trust-based Probability Matrix Fa

3、ctorization, TPMF）。通過將用戶信任關(guān)系矩陣和用戶項目評分矩陣進(jìn)行聯(lián)合概率分解，得到同時滿足用戶信任矩陣和用戶項目評分矩陣約束的新的用戶特征矩陣，然后將新的用戶特征矩陣和項目特征矩陣進(jìn)行內(nèi)積操作，得到評分缺失值，進(jìn)而產(chǎn)生推薦。實驗結(jié)果表明融合用戶信任關(guān)系和概率矩陣分解的推薦算法（TPMF）一定程度上緩解了用戶項目評分的稀疏性，提高了推薦準(zhǔn)確率。
　　然后，提出了融合用戶信任關(guān)系和奇異值分解的推薦算法（Trust-b

4、ased Singular Value Decomposition++,TSVD++）。通過在加入用戶和項目偏置項的奇異值分解推薦算法（Singular Value Decomposition++,SVD++）的基礎(chǔ)上，融入用戶之間的信任關(guān)系，然后對目標(biāo)函數(shù)進(jìn)行優(yōu)化處理學(xué)習(xí)得到最佳模型參數(shù)，通過用戶項目評分預(yù)測公式得到用戶項目評分矩陣中的缺失值，最后產(chǎn)生推薦。實驗結(jié)果表明融合用戶信任關(guān)系和奇異值分解的推薦算法（TSVD++）一定程度上緩