基于概率矩陣分解的推薦算法研究.pdf

1、推薦系統(tǒng)是信息過濾系統(tǒng)中的一種特殊形式,通過分析用戶的歷史興趣和偏好信息,在項目空間中確定用戶現(xiàn)在或者將來可能會喜歡的項目,進而主動向用戶提供相應的項目推薦服務。隨著互聯(lián)網(wǎng)信息量的快速增長和人們希望有效獲取感興趣信息的需求日益明確,推薦系統(tǒng)在國內(nèi)外也逐漸引起了業(yè)界和學術(shù)界的廣泛關注和研究。推薦算法作為機器學習、數(shù)據(jù)挖掘領域的一項研究熱點,其中有效數(shù)據(jù)的稀疏性,大量用戶和推薦項目沒有歷史評價記錄,以及推薦精準性和多樣性之間的平衡是推薦算法

2、研究中的難點。
　　本文首先介紹了推薦算法領域經(jīng)典的協(xié)同過濾方法和近年來熱門的矩陣分解算法以及其加入信任網(wǎng)絡傳播的模型,為了整合來自各數(shù)據(jù)源的海量的原始數(shù)據(jù),討論了對各推薦應用場景下數(shù)據(jù)模型進行清洗,整合歸一化的ETL方法,和該ETL過程中的容錯算法。提出了推薦系統(tǒng)海量數(shù)據(jù)條件下的更新策略,以及 ETL錯誤快速恢復算法的配置和日志設計,為后續(xù)推薦算法的有效應用提供了必要的數(shù)據(jù)準備。
　　隨后,針對目前推薦系統(tǒng)中冷啟動用戶問題

3、,本文嘗試對常用的推薦算法作一定的改進,通過對推薦過程的多臂賭博機(bandit)方法建模,評價前N次推薦序列的準確性。具體而言,本文采用最大化置信上界(UCB)作為bandit決策的標準產(chǎn)生推薦,同時引入概率矩陣分解算法通過隨機梯度下降法能學習得到用戶、項目的后驗概率,直接帶入 UCB決策方程實現(xiàn)了推薦與學習的同步。此外,本文還應用了基于貝葉斯概率矩陣和基于變分貝葉斯方法的置信上界多臂賭博機推薦算法,分別從隨機和定量的角度解決概率矩陣