基于概率矩陣分解的多指標(biāo)推薦算法研究.pdf

1、協(xié)同過(guò)濾算法是推薦系統(tǒng)中應(yīng)用和研究較多的經(jīng)典方法，傳統(tǒng)協(xié)同過(guò)濾算法的主要思想是基于用戶(hù)對(duì)項(xiàng)目的單一綜合評(píng)分挖掘用戶(hù)的興趣并為其做出推薦。然而已有研究表明基于單一評(píng)分的方法并不能很好刻畫(huà)用戶(hù)的根本興趣，于是基于多指標(biāo)評(píng)分的推薦技術(shù)被提出和使用。這種方法的核心思想是利用用戶(hù)對(duì)項(xiàng)目不同維度的指標(biāo)評(píng)分，對(duì)用戶(hù)建立興趣模型，為用戶(hù)推薦提供更加精準(zhǔn)的項(xiàng)目列表。當(dāng)前關(guān)于多指標(biāo)推薦算法研究較少，大都受到數(shù)據(jù)規(guī)模和數(shù)據(jù)稀疏性的影響，已有相關(guān)研究可以分為三

2、類(lèi)：1）將多指標(biāo)評(píng)分推薦問(wèn)題分解成單一指標(biāo)評(píng)分問(wèn)題，然后對(duì)每一維指標(biāo)采用已有的任意協(xié)同推薦算法進(jìn)行預(yù)測(cè)，然后再將預(yù)測(cè)結(jié)果進(jìn)行綜合作為最終的綜合評(píng)分預(yù)測(cè)，該方法缺點(diǎn)是預(yù)先假設(shè)用戶(hù)對(duì)每維指標(biāo)偏好程度一樣，現(xiàn)實(shí)情況是用戶(hù)對(duì)不同指標(biāo)偏好程度可能是不一致的。2）利用聚合函數(shù)將綜合評(píng)分表示成多指標(biāo)評(píng)分的線(xiàn)性關(guān)系，然后利用統(tǒng)計(jì)或機(jī)器學(xué)習(xí)的方法得到聚合函數(shù)，然后進(jìn)行預(yù)測(cè)和推薦，該方法缺點(diǎn)是容易受到訓(xùn)練數(shù)據(jù)的稀疏性或噪音影響。3）簡(jiǎn)單的聚類(lèi)方法，利用潛在

3、語(yǔ)義分析的方法對(duì)用戶(hù)進(jìn)行潛在語(yǔ)義分析，該方法僅僅考慮了多指標(biāo)對(duì)用戶(hù)的影響，而忽略了多指標(biāo)對(duì)項(xiàng)目也同樣具有影響。
　　針對(duì)以上多指標(biāo)推薦算法研究還存在不足的問(wèn)題，本文提出一種基于概率矩陣分解的多指標(biāo)推薦算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization，MCPMF)嘗試解決這些問(wèn)題。本課題將傳統(tǒng)

4、推薦算法矩陣分解中用戶(hù)-項(xiàng)目關(guān)系考慮成三種關(guān)系，即用戶(hù)-多指標(biāo)關(guān)系，項(xiàng)目-多指標(biāo)關(guān)系以及用戶(hù)-項(xiàng)目關(guān)系。借助矩陣分解的思想能降低數(shù)據(jù)噪音和大規(guī)模數(shù)據(jù)的影響。通過(guò)假設(shè)三種關(guān)系的數(shù)據(jù)潛在分布都服從高斯分布，然后將多指標(biāo)對(duì)用戶(hù)和對(duì)項(xiàng)目的影響考慮成一個(gè)權(quán)重矩陣。本課題提出了兩種權(quán)重矩陣的計(jì)算方法，一種是基于多指標(biāo)評(píng)分的協(xié)方差矩陣；另一種假設(shè)多指標(biāo)對(duì)用戶(hù)和項(xiàng)目的影響分布服從高斯分布，且兩種影響相互獨(dú)立，將兩種影響的聯(lián)合分布表示成對(duì)用戶(hù)和項(xiàng)目都產(chǎn)生

5、影響的權(quán)重矩陣。MCPMF中用戶(hù)和項(xiàng)目的特征矩陣通過(guò)梯度下降法迭代學(xué)習(xí)得到。在采集到的大眾美食點(diǎn)評(píng)和攜程旅游景點(diǎn)點(diǎn)評(píng)兩個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，MCPMF模型與傳統(tǒng)針對(duì)單一指標(biāo)模型算法相比，預(yù)測(cè)精度有一定的提高，與針對(duì)多指標(biāo)的(如：FGPLSA)算法相比也有提高，并且能降低數(shù)據(jù)稀疏性所帶來(lái)的影響。
　　本文的主要貢獻(xiàn)有：1）對(duì)多指標(biāo)權(quán)重矩陣的處理，通過(guò)兩種權(quán)重計(jì)算方法來(lái)考慮多指標(biāo)。2）對(duì)多指標(biāo)權(quán)重矩陣與用戶(hù)（項(xiàng)目）特征向量的融合處