基于矩陣分解模型的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，信息數(shù)據(jù)呈現(xiàn)爆炸式的增長(zhǎng)，其結(jié)構(gòu)也變得越加復(fù)雜，海量的信息充斥著網(wǎng)絡(luò)，人們面臨著“信息過(guò)載”的問(wèn)題。如何通過(guò)一種有效的機(jī)制來(lái)幫助用戶快速獲取想要的信息成為當(dāng)前研究的熱點(diǎn)和難點(diǎn)問(wèn)題，推薦系統(tǒng)正是在此背景下產(chǎn)生的。因此本文對(duì)推薦系統(tǒng)算法的研究具有理論研究意義和實(shí)用價(jià)值。
　　目前國(guó)內(nèi)外對(duì)推薦系統(tǒng)的研究主要集中在協(xié)同過(guò)濾推薦、基于矩陣分解模型的推薦等方面。本文將重點(diǎn)研究基于矩陣分解模型的推薦算法。
　　本文研

2、究的主要內(nèi)容：
　　1、分析了主流的推薦算法的優(yōu)缺點(diǎn)，包括協(xié)同過(guò)濾推薦、基于內(nèi)容推薦、基于知識(shí)的推薦、基于圖的推薦、混合推薦算法。本文就基于用戶的協(xié)同過(guò)濾、和基于項(xiàng)目的協(xié)同過(guò)濾、基于模型的協(xié)同過(guò)濾展開(kāi)了詳細(xì)的研究與分析。
　　2、分析了基于矩陣分解的奇異值SVD算法和由SVD算法衍生的隱語(yǔ)義模型，并介紹了算法原理和實(shí)現(xiàn)步驟。總結(jié)了SVD算法面臨的問(wèn)題：稀疏的評(píng)分矩陣預(yù)填充后空間消耗大以及分解過(guò)程計(jì)算復(fù)雜度高。同時(shí)也分析了隱語(yǔ)

3、義模型存在的特征因子值丟失問(wèn)題。本文對(duì)隱語(yǔ)義模型提出兩方面的改進(jìn)：（1）提出對(duì)學(xué)習(xí)速率的調(diào)整策略（2）提出了加入偏置項(xiàng)的bias-LFM算法。
　　3、提出了結(jié)合K-means聚類算法與矩陣分解模型的混合推薦算法K-LFM，有效的緩解了協(xié)同過(guò)濾的數(shù)據(jù)稀疏性、矩陣分解LFM模型在分解過(guò)程中丟失用戶和項(xiàng)目的特征因子值的問(wèn)題，并提高了算法處理數(shù)據(jù)的效率。最后，使用Python語(yǔ)言實(shí)現(xiàn)算法，并在Movielens數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。根據(jù)實(shí)驗(yàn)

4、結(jié)果，對(duì)比分析了協(xié)同過(guò)濾推薦、LFM模型和混合推薦算法的推薦效果。
　　本文工作的主要?jiǎng)?chuàng)新之處如下：
　　1、bias-LFM算法通過(guò)在LFM的預(yù)測(cè)評(píng)分公式中加入用戶偏置項(xiàng)、項(xiàng)目偏置項(xiàng)和全局平均值來(lái)修正用戶、項(xiàng)目和平臺(tái)固有屬性對(duì)推薦結(jié)果的影響。
　　2、本文提出的K-LFM算法采用K-means聚類算法對(duì)用戶聚類，根據(jù)用戶類和項(xiàng)目類構(gòu)造“用戶類-項(xiàng)目類”評(píng)分矩陣，運(yùn)用LFM模型的方法對(duì)評(píng)分矩陣進(jìn)行分解，得到用戶類對(duì)項(xiàng)目