基于圖構(gòu)建與矩陣分解聯(lián)合學(xué)習(xí)的協(xié)同過濾算法研究.pdf

1、信息技術(shù)和網(wǎng)絡(luò)的發(fā)展，數(shù)據(jù)日益增長，信息傳播速度加快，在給人們的生活生產(chǎn)帶來便利的同時，也出現(xiàn)了信息過載的負面影響。如何及時地從海量的數(shù)據(jù)中提取信息，成為人們關(guān)注的焦點問題。推薦系統(tǒng)，作為一種信息過濾技術(shù)，通過挖掘用戶的行為，找到用戶的個性化需要，可以在信息過載的環(huán)境下完成信息發(fā)掘以及信息推送，成為研究的熱點。
　　推薦算法是推薦系統(tǒng)的核心，其中，協(xié)同過濾推薦算法因其推薦精度高、可擴展性好，倍受學(xué)術(shù)界與工業(yè)界關(guān)注?；谠u分數(shù)據(jù)的推

2、薦問題是一類重要的應(yīng)用問題，研究者對推薦問題進行了深入的研究，提出了基于矩陣分解等有效的協(xié)同過濾算法。在基于矩陣分解的協(xié)同過濾算法中，在矩陣分解框架下嵌入用戶或物品間的局部相似性是改進推薦算法性能的有效途徑。為此，在矩陣分解框架下，研究者對如何嵌入用戶或物品間相似性進行了研究，但對矩陣分解和物品相似性聯(lián)合學(xué)習(xí)模型的構(gòu)建研究相對較少。因此，論文針對基于評分數(shù)據(jù)的推薦問題，圍繞物品間的局部相似性和矩陣分解聯(lián)合學(xué)習(xí)模型構(gòu)建展開研究，主要研究工

3、作如下:
　　1.提出了嵌入物品相似度約束的矩陣分解協(xié)同過濾算法（SI-GMF）。該算法假設(shè):(1)局部相似的物品具有相似的隱語義特征;(2)物品的相似度最優(yōu)解在已知物品相似度的某個鄰域內(nèi)。依此假設(shè)，論文構(gòu)建出相應(yīng)的正則化項并嵌入到基于矩陣分解的協(xié)同過濾算法模型中，進而通過聯(lián)合學(xué)習(xí)得到有效的物品相似度和隱語義特征向量。實驗驗證了SI-GMF算法的有效性。
　　2.提出了基于圖構(gòu)建與矩陣分解的推薦算法(SO-GMF)。該算法假

4、設(shè):(1)局部相似的物品具有相似的隱語義特征;(2)物品與其近鄰物品之間都有一定的相似程度。依此假設(shè)，SO-GMF算法通過圖來刻畫物品的近鄰相似度，通過熵約束來克服圖邊權(quán)的退化，進而構(gòu)建出局部保持和熵約束的正則化項并嵌入到基于矩陣分解的協(xié)同過濾算法模型中，以此聯(lián)合學(xué)習(xí)圖邊權(quán)和隱語義特征向量。實驗結(jié)果表明，SO-GMF算法提高了推薦的準確性。
　　3.提出了基于圖構(gòu)建與L1正則矩陣分解的推薦算法(SO-SGMF)。針對評分數(shù)據(jù)的稀疏