基于矩陣分解的推薦系統(tǒng)算法研究.pdf

1、在當(dāng)今大數(shù)據(jù)時代，互聯(lián)網(wǎng)上的信息呈現(xiàn)爆發(fā)性增長，導(dǎo)致用戶很難有效獲取感興趣的信息。推薦系統(tǒng)是幫助用戶發(fā)現(xiàn)其感興趣的物品，解決信息過載問題的重要工具?；诰仃嚪纸獾耐扑]算法是目前推薦算法研究的前沿領(lǐng)域之一，基于矩陣分解的推薦算法將用戶行為矩陣分解為隱因子空間上用戶、物品特征矩陣，因而算法具有準確度高、可擴展性好等諸多優(yōu)點。目前，基于矩陣分解的推薦算法仍存在著對單類數(shù)據(jù)、稀疏數(shù)據(jù)推薦效果不理想以及并行化等問題。
　　本文深入研究了基于

2、矩陣分解的推薦算法，并針對其存在的問題提出了相應(yīng)的改進算法，本文的主要工作和貢獻如下:
　　提出了一種改進的基于矩陣分解的單類協(xié)同過濾算法。在使用基于矩陣分解的推薦算法處理單類問題時，由于數(shù)據(jù)稀疏、缺乏負樣本等問題導(dǎo)致推薦效果不理想。本文提出了一種基于物品相似度的正樣本選擇方法以及基于用戶活躍度、物品相似度的負樣本選擇方法，前者解決了數(shù)據(jù)稀疏性的影響，后者提高了選擇負樣本的準確度，實驗結(jié)果表明該方法能明顯提升基于矩陣分解算法對單類

3、問題的推薦效果。
　　提出了一種稀疏概率矩陣分解推薦算法。概率矩陣分解是從概率角度看待矩陣分解問題的一種方法，但最早提出的概率矩陣分解算法和貝葉斯概率矩陣分解算法都假設(shè)用戶、物品特征矩陣服從高斯分布，這在當(dāng)今大數(shù)據(jù)、高維度、強稀疏的數(shù)據(jù)下是不適合的，本文針對這個問題，提出了使用更稀疏的拉普拉斯分布來代替高斯分布的稀疏概率矩陣分解算法及其并行化算法。通過在MovieLens以及Netflix數(shù)據(jù)集上進行的測試，我們發(fā)現(xiàn)稀疏概率矩陣分

4、解算法在稀疏數(shù)據(jù)集上的表現(xiàn)要明顯優(yōu)于概率矩陣分解算法和貝葉斯概率矩陣分解算法，同時又因為拉普拉斯分布本身具有長尾特性，因而本文提出算法在發(fā)掘長尾物品方面的能力更好。
　　提出了L1正則矩陣分解推薦算法。從概率角度來看，稀疏概率矩陣分解等同于加入了L1正則項的矩陣分解算法，但由于概率矩陣分解模型復(fù)雜、運行效率低，限制其在工業(yè)界的應(yīng)用。在實際的推薦系統(tǒng)中使用更多的是基于優(yōu)化的矩陣分解模型，為了切合實際，本文進一步提出了L1正則矩陣分解