基于矩陣分解的推薦算法優(yōu)化研究.pdf

1、推薦系統(tǒng)是解決信息超載問題的重要工具之一。它能根據(jù)用戶以往的行為信息、評價信息來挖掘和學習用戶的喜好，對用戶的興趣進行建模，進而為用戶推薦新的內容，幫助用戶發(fā)現(xiàn)新的興趣。與其他信息檢索工具（如搜索引擎）相比，推薦系統(tǒng)能夠提供更加個性化的服務。它能夠主動向用戶推送其感興趣的產品或信息，將信息檢索的過程由“用戶主動去尋找信息”轉變?yōu)椤坝脩舯粍咏邮苄畔ⅰ?，把用戶從費時費力的檢索過程中解放出來。
　　在現(xiàn)有協(xié)同過濾推薦技術中，目前較為流行

2、和成功的當屬矩陣分解技術。與基于內容的推薦技術相比，矩陣分解推薦技術不依賴于推薦項目的內容，同時具備發(fā)現(xiàn)用戶新興趣的能力，因而得到了廣泛應用。然而，矩陣分解技術仍面臨著諸多挑戰(zhàn)，數(shù)據(jù)稀疏性和算法的預測精度仍有較大提高空間。
　　本文針對現(xiàn)存矩陣分解技術所存在的問題做了以下工作:
　　1)研究了主要的協(xié)同過濾推薦算法，如:基于用戶的協(xié)同過濾、基于物品的協(xié)同過濾、基于信任的推薦、矩陣分解推薦。詳細闡述每種算法的原理和特點，并通過

3、一系列實驗對比，分析了不同算法之間性能差距的原因。
　　2)針對隱反饋SVD++模型沒有融合用戶間的信任關系，本文設計了一種使用融合隱性信任關系的矩陣分解推薦算法。在算法流程上，第一步通過矩陣分解技術學習用戶信任矩陣，得出用戶特征向量;第二步用學習得來的用戶特征向量和隨機初始化的物品特征向量進行評分矩陣逼近學習。最后根據(jù)融入用戶信任關系的公式產生推薦。相比原始的矩陣分解算法，該算法有更好的預測精度和伸縮性，同時引入信任關系的隱反饋