基于概率矩陣分解的多指標(biāo)推薦算法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩57頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

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

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論