基于增量SVD和RBM的推薦系統(tǒng)的關(guān)鍵技術(shù)和實(shí)現(xiàn)策略.pdf

1、隨著信息社會的到來，使得與信息相關(guān)的行業(yè)都得到了快速發(fā)展。這就帶來了信息量的急速膨脹，結(jié)果導(dǎo)致信息過載，在此背景下提出了推薦系統(tǒng)（Recommender Systems）。推薦系統(tǒng)是一種可以向用戶推薦有用物品的技術(shù)。
　　近些年來，推薦系統(tǒng)已經(jīng)成為一個熱門的研究領(lǐng)域，因此吸引了眾多學(xué)者，不僅在工業(yè)界，學(xué)術(shù)界也備受關(guān)注，加之Netflix每年舉辦的競賽和相關(guān)國際會議的召開，使得推薦系統(tǒng)成為了一門獨(dú)立的學(xué)科。雖然推薦系統(tǒng)不斷有新的技術(shù)

2、和新的方法誕生，使得推薦系統(tǒng)技術(shù)越來越成熟。但仍然存在一些新用戶，新物品，模型容易過擬合（可擴(kuò)展性）等問題。依據(jù)數(shù)據(jù)集背景，使用了幾種典型的數(shù)據(jù)預(yù)處理技術(shù)，例如為了使得建立模型的更準(zhǔn)確，使用去噪方法，使用有放回取樣增加訓(xùn)練樣本數(shù)，使用平均值填補(bǔ)缺失值，為了提高模型魯棒性，人為加入噪聲等。本文主要針對現(xiàn)存的一些問題提出了改進(jìn)方法，介紹如下：
　　（1）雖然基于奇異值分解（SVD）技術(shù)的推薦系統(tǒng)，相對于傳統(tǒng)的推薦技術(shù)，性能更好，但是進(jìn)

3、行矩陣分解的需要的計(jì)算代價(jià)大，無論是時(shí)間復(fù)雜度和空間復(fù)雜度，特別是數(shù)據(jù)集很大時(shí)，缺點(diǎn)更加明顯；因此，在 SVD的基礎(chǔ)上，提出了增量地建立SVD模型，使用折疊技術(shù)，對于新的用戶進(jìn)行一次線性映射，這種技術(shù)不僅提高了推薦系統(tǒng)的可擴(kuò)展性，而且在保證預(yù)測準(zhǔn)確性的條件下極大地降低整個過程（訓(xùn)練和預(yù)測）時(shí)間復(fù)雜度，使得時(shí)間復(fù)雜度為O(1)，適合于推薦系統(tǒng)的線下和線上計(jì)算。
　?。?）基于二分網(wǎng)絡(luò)的推薦系統(tǒng)是基于權(quán)重方法的個性化推薦，將二分網(wǎng)絡(luò)直

4、接壓縮并進(jìn)行單模式映射，雖然單模式比二分網(wǎng)絡(luò)含有更少的信息，但通過使用權(quán)重方法保留原始信息，同時(shí)利用基于網(wǎng)絡(luò)的動態(tài)資源分配思想，使用權(quán)重方法直接提取網(wǎng)絡(luò)的隱藏信息，性能比全局排名方法（global ranking method）明顯好。
　?。?）基于 RBM模型的推薦系統(tǒng)適用于大規(guī)模數(shù)據(jù)集，這種兩層無向圖模型適合處理表格數(shù)據(jù)，能進(jìn)行有效學(xué)習(xí)和推理，將概率模型和圖模型結(jié)合，從而直接在用戶和評分之間建立連接，不僅對預(yù)測結(jié)果的可解釋性