基于矩陣分解的個性化推薦系統(tǒng)研究.pdf

1、隨著社交網(wǎng)絡的快速發(fā)展，大量用戶花費越來越多的時間在社交應用上。與此同時在社交平臺上存在海量的微博文本數(shù)據(jù)、用戶之間相互評論轉發(fā)等互動信息、與用戶相關的注冊信息等。對這部分數(shù)據(jù)進行研究發(fā)現(xiàn)用戶會發(fā)表很多帶有主觀感情色彩的內(nèi)容，例如對物品進行一個正負方面的評價，或者表示出對某些物品的需求。在新浪微博中數(shù)以億級的用戶每天活躍在微博上，會產(chǎn)生大量類似的微博文本數(shù)據(jù)。對文本數(shù)據(jù)進行處理從而對用戶建模獲取用戶的興趣偏好，再通過推薦引擎對用戶進行個

2、性化的物品推薦，這是本文的研究方向。
　　傳統(tǒng)的推薦系統(tǒng)無法解決復雜的社交網(wǎng)絡推薦問題，主要難點包括，首先在社交平臺上上下文信息對推薦系統(tǒng)的效果有很大的影響，其次用戶在社交網(wǎng)絡中的興趣偏好會隨時間發(fā)生改變，再次在搭建個性化的用戶興趣模型時需要對大量微博短文本進行內(nèi)容提取，最后需要實現(xiàn)高效準確的推薦引擎算法。本文提出了一個基于矩陣分解的混合預測模型，將推薦問題轉換為一個矩陣分解的問題，根據(jù)得到的評分預測矩陣實現(xiàn)物品的推薦過程。本文的

3、創(chuàng)新點主要包括以下三部分。首先提出了一個基于微博的推薦系統(tǒng)框架，該框架分為兩個模塊用戶建模模塊和推薦引擎模塊。其次在本文中對用戶建模模塊實現(xiàn)了微博爬蟲系統(tǒng)、文本處理系統(tǒng)、基于Rocchio反饋算法的增量式用戶興趣模型系統(tǒng)，實現(xiàn)了獲取數(shù)據(jù)、處理數(shù)據(jù)、內(nèi)容提取、增量式更新能最大程度獲取用戶的動態(tài)興趣偏好。最后在推薦引擎模塊基于矩陣分解算法結合了微博的上下文信息對矩陣分解模型做了多個部分的擴展，上下文信息包括人口統(tǒng)計學信息、互相關注的好友集合

4、、用戶的消費記錄等。在本文中通過不同方法對不同類型數(shù)據(jù)建模在同一混合預測模型中，充分的利用各類上下文信息優(yōu)化了預測模型的性能。通過學習該模型的參數(shù)得到用戶物品潛在特征的預測矩陣，實現(xiàn)高準確度物品推薦。
　　通過實驗發(fā)現(xiàn)在設定的幾個評價指標上混合預測模型的結果要優(yōu)于協(xié)同過濾算法和一般的SVD算法。增量式用戶興趣模型能動態(tài)獲取用戶的興趣偏好，在矩陣分解模型引入正負反饋數(shù)據(jù)將評分矩陣分解成正負反饋評分矩陣，雙向的提取潛在用戶偏好特征。通