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，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“信息過載”的問題。如何通過一種有效的機(jī)制來幫助用戶快速獲取想要的信息成為當(dāng)前研究的熱點和難點問題，推薦系統(tǒng)正是在此背景下產(chǎn)生的。因此本文對推薦系統(tǒng)算法的研究具有理論研究意義和實用價值。
　　目前國內(nèi)外對推薦系統(tǒng)的研究主要集中在協(xié)同過濾推薦、基于矩陣分解模型的推薦等方面。本文將重點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，包括協(xié)同過濾推薦、基于內(nèi)容推薦、基于知識的推薦、基于圖的推薦、混合推薦算法。本文就基于用戶的協(xié)同過濾、和基于項目的協(xié)同過濾、基于模型的協(xié)同過濾展開了詳細(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算法衍生的隱語義模型，并介紹了算法原理和實現(xiàn)步驟。總結(jié)了SVD算法面臨的問題：稀疏的評分矩陣預(yù)填充后空間消耗大以及分解過程計算復(fù)雜度高。同時也分析了隱語

3、義模型存在的特征因子值丟失問題。本文對隱語義模型提出兩方面的改進(jìn)：（1）提出對學(xué)習(xí)速率的調(diào)整策略（2）提出了加入偏置項的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)同過濾的數(shù)據(jù)稀疏性、矩陣分解LFM模型在分解過程中丟失用戶和項目的特征因子值的問題，并提高了算法處理數(shù)據(jù)的效率。最后，使用Python語言實現(xiàn)算法，并在Movielens數(shù)據(jù)集上進(jìn)行實驗。根據(jù)實驗

4、結(jié)果，對比分析了協(xié)同過濾推薦、LFM模型和混合推薦算法的推薦效果。
　　本文工作的主要創(chuàng)新之處如下：
　　1、bias-LFM算法通過在LFM的預(yù)測評分公式中加入用戶偏置項、項目偏置項和全局平均值來修正用戶、項目和平臺固有屬性對推薦結(jié)果的影響。
　　2、本文提出的K-LFM算法采用K-means聚類算法對用戶聚類，根據(jù)用戶類和項目類構(gòu)造“用戶類-項目類”評分矩陣，運用LFM模型的方法對評分矩陣進(jìn)行分解，得到用戶類對項目