基于矩陣分解的個性化信息流推薦技術(shù)研究.pdf

1、隨著web2.0時代的發(fā)展,網(wǎng)絡(luò)信息流服務(wù)已經(jīng)逐步取代了傳統(tǒng)媒體成為人們獲取信息的主要途徑。這類新興的互聯(lián)網(wǎng)信息平臺可以根據(jù)用戶的訂閱個性化地傳遞相關(guān)信息流,同時也允許用戶之間的各類交互,并以此促進(jìn)信息的產(chǎn)生與傳遞。但是,也正是由于其操作簡單、交互性強(qiáng)、傳播迅速的特點,導(dǎo)致現(xiàn)有信息流系統(tǒng)中普遍存在信息爆炸的現(xiàn)象并造成了用戶的閱讀負(fù)擔(dān)。因此,對各類信息流系統(tǒng)而言,如何構(gòu)造一個有效的個性化推薦模型并幫助用戶過濾與發(fā)現(xiàn)其感興趣的信息,此時就顯

2、得尤為重要。
　　針對上述信息流系統(tǒng)的特點,本文在研究了傳統(tǒng)推薦算法原理與應(yīng)用場景的前提下,提出了一種基于矩陣分解與用戶特征詞向量提取的推薦模型。其主要思想是,通過文中所提出的兩種用戶話題特征詞向量提取方法,根據(jù)用戶自身歷史數(shù)據(jù)或是用戶關(guān)注者歷史數(shù)據(jù)提取其話題特征詞向量。并以此作為模型的輸入數(shù)據(jù),用于取代傳統(tǒng)推薦模型中的用戶物品評分矩陣。之后,采用類似于MF模型的方法,拆分輸入的用戶特征詞偏好矩陣,并訓(xùn)練得到所有用戶與特征詞的隱因

3、子向量。最后,再詳細(xì)描述了利用隱因子向量配合待推薦信息詞頻向量生成推薦信息的具體方法。并使用隨機(jī)梯度下降的最優(yōu)化方法給出了模型的求解過程。
　　此外,針對用戶社交特性,本文還引入關(guān)系網(wǎng)絡(luò)中信任傳播的思想,并依此提出了一種模型的改進(jìn)方式。同時,還根據(jù)信息流系統(tǒng)的特點,重新給出了準(zhǔn)確率、召回率等經(jīng)典評價指標(biāo)在模型驗證過程中的計算方式。
　　最終,本文在真實數(shù)據(jù)集上進(jìn)行了相關(guān)實驗并對結(jié)果給出了分析。首先,詳細(xì)闡述了實驗選取新浪微博