基于學(xué)習(xí)自動機(jī)的隱語義模型推薦算法改進(jìn)研究.pdf

1、推薦算法（Recommendation Algorithm）的目的是將最可能引起用戶興趣的物品推薦給用戶，從而使用戶和供應(yīng)商都得到利益最大化。隨著電商時(shí)代和大數(shù)據(jù)時(shí)代的到來，推薦算法的好壞越來越成為一個(gè)網(wǎng)站或應(yīng)用成功與否的重要因素之一。
　　隱語義模型（Latent Factor Model，LFM）推薦算法由于自適應(yīng)性能好、預(yù)測準(zhǔn)確性高，已成為推薦算法研究領(lǐng)域的一個(gè)熱點(diǎn)，在評分預(yù)測、TopN推薦等兩種典型推薦算法應(yīng)用場景下都展示

2、了可觀的應(yīng)用前景。然而，隱語義模型推薦算法在性能上尚存在改進(jìn)提升空間。為此，本文針對隱語義模型推薦算法展開進(jìn)一步研究，并將其應(yīng)用于評分預(yù)測、TopN推薦。
　　隱語義模型在實(shí)際使用前需要對用戶偏好模型進(jìn)行訓(xùn)練，目前使用的訓(xùn)練方法是梯度下降法。有鑒于此，本文首先針對隱語義模型的訓(xùn)練過程進(jìn)行研究，結(jié)合學(xué)習(xí)自動機(jī)（Learning Automata，LA）具有全局收斂性好、抗噪聲能力強(qiáng)的優(yōu)點(diǎn)，對現(xiàn)有隱語義模型的典型訓(xùn)練算法進(jìn)行改進(jìn)，給出

3、了CALA-TM訓(xùn)練算法，并將其應(yīng)用于評分預(yù)測。仿真結(jié)果表明，基于該改進(jìn)算法，可以在評分矩陣較稀疏的情況下提高預(yù)測準(zhǔn)確度。
　　更進(jìn)一步，考慮上述CALA-TM訓(xùn)練算法存在收斂速度較慢的局限性，本文將梯度下降算法與學(xué)習(xí)自動機(jī)相結(jié)合，進(jìn)一步對訓(xùn)練算法加以改進(jìn)，給出了基于學(xué)習(xí)自動機(jī)與梯度下降算法相結(jié)合的訓(xùn)練算法LAGD-TM，并也將其應(yīng)用于預(yù)測評分。仿真結(jié)果表明，該訓(xùn)練算法可以提高CALA-TM訓(xùn)練過程中的誤差下降速度，減少模型訓(xùn)練時(shí)