基于潛在向量模型與項目的協(xié)同過濾混合推薦.pdf

1、隨著互聯(lián)網(wǎng)在日常生活與工作的普及應用，面對眼前混雜有大量垃圾信息及無意義信息的海量數(shù)據(jù)，給我們帶來了篩選出有效信息的巨大難題。為了解決信息過載問題，個性化推薦越來越被人所注重，通過對用戶行為信息、網(wǎng)站信息內(nèi)容等，利用知識發(fā)現(xiàn)、過濾篩選等機器學習算法，主動對垃圾信息進行過濾，猜用戶喜歡什么。隨著web2.0的興盛發(fā)展以及web3.0概念的倡導和實踐，用戶更多地參與網(wǎng)站系統(tǒng)、信息產(chǎn)品的創(chuàng)造、傳播和分享。越來越多社會化網(wǎng)站開始收集用戶對網(wǎng)站內(nèi)

2、容、項目有效的顯式和隱式反饋，并對其分析預處理，應用統(tǒng)計學、概率論、模式識別等技巧建立數(shù)學模型，并結(jié)合計算機算法的處理能力，分析人類的慣性思維及個性化行為，實現(xiàn)很多工具的智能化且個性化的推薦，讓系統(tǒng)為用戶主動“思考”。
　　 本文對推薦系統(tǒng)的概念、架構(gòu)、作用從宏觀上進行介紹，并主要圍繞推薦系統(tǒng)核心算法對它進行研究與改進，并從準確率上對算法提升效果進行驗證。協(xié)同過濾是推薦系統(tǒng)常常采用的一種有效算法，在推薦準確性、多樣性與拓展性上有

3、很好的表現(xiàn)。在實際系統(tǒng)中，用戶間的獨立行為是普遍聯(lián)系的，所以可以利用用戶“協(xié)作”的思想，去猜測用戶還可能喜歡什么，得到最終的推薦結(jié)果。協(xié)同過濾算法分為基于內(nèi)存與基于模型兩種。其中，基于內(nèi)存的算法分為基于項目與基于用戶，對推薦過程具有良好的理論解釋性，但它不易挖掘出用戶的多興趣特征，因此在準確率上存在局限。將潛在語義分析應用到協(xié)同過濾算法中，可以不需要利用外部知識，而是直接對評分矩陣利用數(shù)學統(tǒng)計模型構(gòu)造潛在語義向量空間結(jié)構(gòu)，能夠主動發(fā)現(xiàn)用

4、戶(或項目間)的潛在語義關(guān)系，能夠發(fā)現(xiàn)用戶的潛在興趣。
　　 本文首先研究了最近鄰算法的兩種形式：根據(jù)評分向量以及佩爾森距離公式計算相似度、梯度下降法回歸學習相似度參數(shù)，并對相似度計算以及最近鄰選擇算法進行優(yōu)化，提高推薦準確性的同時大大加快了運行速度。除了對傳統(tǒng)最近鄰算法進行改進，本文著重研究了基于潛在語義模型的協(xié)同過濾推薦，并將其與基于項目的協(xié)同過濾結(jié)合起來，進行混合推薦。第四章提出了一種新的混合推薦方式，它結(jié)合了基于高斯?jié)撛?/p>

5、語義分析模型和改進的基于項目的協(xié)同過濾兩種算法，從用戶角度和項目角度計算綜合得到最終推薦預測值。第五章首先介紹應用正則SVD計算對用戶評價矩陣進行分解計算，再提出了帶偏差的基于特征分步梯度學習的正則化SVD分解，最后利用混合推薦的優(yōu)勢將knn算法與SVD算法結(jié)合起來，融合模型采用自適應的方式對不同用戶進行個性化的模型動態(tài)參數(shù)選擇。為了驗證協(xié)同過濾算法的改進效果，利用movielens提供的數(shù)據(jù)進行實驗，實驗結(jié)果顯示改進后的算法在推薦準確