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(wèn)題的重要工具之一。它能根據(jù)用戶以往的行為信息、評(píng)價(jià)信息來(lái)挖掘和學(xué)習(xí)用戶的喜好，對(duì)用戶的興趣進(jìn)行建模，進(jìn)而為用戶推薦新的內(nèi)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(gè)性化的服務(wù)。它能夠主動(dòng)向用戶推送其感興趣的產(chǎn)品或信息，將信息檢索的過(guò)程由“用戶主動(dòng)去尋找信息”轉(zhuǎn)變?yōu)椤坝脩舯粍?dòng)接受信息”，把用戶從費(fèi)時(shí)費(fèi)力的檢索過(guò)程中解放出來(lái)。
　　在現(xiàn)有協(xié)同過(guò)濾推薦技術(shù)中，目前較為流行

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

3、一系列實(shí)驗(yàn)對(duì)比，分析了不同算法之間性能差距的原因。
　　2)針對(duì)隱反饋SVD++模型沒(méi)有融合用戶間的信任關(guān)系，本文設(shè)計(jì)了一種使用融合隱性信任關(guān)系的矩陣分解推薦算法。在算法流程上，第一步通過(guò)矩陣分解技術(shù)學(xué)習(xí)用戶信任矩陣，得出用戶特征向量;第二步用學(xué)習(xí)得來(lái)的用戶特征向量和隨機(jī)初始化的物品特征向量進(jìn)行評(píng)分矩陣逼近學(xué)習(xí)。最后根據(jù)融入用戶信任關(guān)系的公式產(chǎn)生推薦。相比原始的矩陣分解算法，該算法有更好的預(yù)測(cè)精度和伸縮性，同時(shí)引入信任關(guān)系的隱反饋