基于概率矩陣分解的個(gè)性化推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)信息的快速增長，個(gè)性化的推薦系統(tǒng)對工業(yè)界和學(xué)術(shù)界的發(fā)展都有著重要的作用。然而，在信息高速發(fā)展的時(shí)代，傳統(tǒng)的推薦系統(tǒng)面臨著一系列的挑戰(zhàn)，不僅其自身算法存在一些難以解決的問題如數(shù)據(jù)稀疏性、冷啟動(dòng)、難以擴(kuò)展等，而且傳統(tǒng)的個(gè)性化推薦系統(tǒng)已難以滿足在大數(shù)據(jù)、信息爆炸的背景下人們對信息利用的需求。在很多實(shí)際的應(yīng)用場景中，推薦系統(tǒng)中的數(shù)據(jù)除了用戶-項(xiàng)目的評分信息外，還有用戶之間的社會(huì)關(guān)系、項(xiàng)目的內(nèi)容信息、時(shí)間信息等一些類似的輔助信息。如何在

2、推薦系統(tǒng)中融入有用的輔助信息提高推薦的精度、改善傳統(tǒng)推薦系統(tǒng)存在的難題是一個(gè)很重要的問題。
　　本文在分析推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀的基礎(chǔ)上，發(fā)現(xiàn)基于概率矩陣分解的方法應(yīng)用在推薦系統(tǒng)中能表現(xiàn)出很好的性能，而用戶之間的社會(huì)關(guān)系引入到推薦系統(tǒng)中能解決傳統(tǒng)推薦系統(tǒng)中數(shù)據(jù)稀疏、冷啟動(dòng)的問題。但是實(shí)際中用戶之間的關(guān)系是多樣化和隱式存在的，需要通過挖掘用戶之間的行為才能獲得。而且隨著微博、微信、標(biāo)簽系統(tǒng)等以分享內(nèi)容為形式的推薦系統(tǒng)的出現(xiàn)，能融入

3、推薦系統(tǒng)中的信息也迅速增長，利用這些豐富的信息能帶來更準(zhǔn)確的推薦，能提高用戶的體驗(yàn)度?；ヂ?lián)網(wǎng)中還有時(shí)間等各種信息對改進(jìn)推薦系統(tǒng)的性能提供了一個(gè)很好的素材。因此，本文引入概率矩陣分解模型以結(jié)合這些輔助信息分析解決推薦系統(tǒng)存在的問題。
　　針對推薦數(shù)據(jù)中包含的用戶之間的關(guān)系和項(xiàng)目的多種內(nèi)容信息，我們結(jié)合概率矩陣分解模型和話題模型LDA提出了SC-PMF算法，在預(yù)測的基礎(chǔ)上給用戶進(jìn)行推薦。基于提出的SC-PMF推薦算法，我們在Bibso

4、nomy和CiteUlike兩個(gè)數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)分析。實(shí)驗(yàn)表明在共享信息多的Bibsonomy數(shù)據(jù)集中，用戶表現(xiàn)出的興趣偏向受社會(huì)影響的程度更為明顯。而且實(shí)驗(yàn)展示的項(xiàng)目內(nèi)容信息越豐富，模型表現(xiàn)出的性能就越好。因此，實(shí)驗(yàn)表明用戶之間的社會(huì)關(guān)系和項(xiàng)目的多種內(nèi)容信息的利用能有效的改善改進(jìn)推薦算法的性能。
　　針對推薦數(shù)據(jù)中擁有的時(shí)間信息，我們在原有的評分矩陣的基礎(chǔ)上加入社會(huì)關(guān)系、時(shí)間信息得到用戶-用戶-時(shí)間和用戶-項(xiàng)目-時(shí)間的關(guān)系矩陣

5、，利用概率矩陣分解模型實(shí)現(xiàn)了PMFST這一方法，然后在此基礎(chǔ)上進(jìn)行實(shí)時(shí)推薦。同時(shí)，我們還利用了項(xiàng)目中的類別信息，提出了一個(gè)基于層次推薦的框架。我們先根據(jù)項(xiàng)目的類別對項(xiàng)目進(jìn)行劃分，利用我們提出的融入的社會(huì)關(guān)系、時(shí)間信息的概率矩陣模型PMFST為用戶推薦項(xiàng)目的類別，然后針對每類為用戶推薦項(xiàng)目?；趯哟瓮扑]的框架不僅減少了需要同時(shí)計(jì)算大量數(shù)據(jù)的時(shí)間，而且在微觀意義上縮小了數(shù)據(jù)的規(guī)模，使得模型易于擴(kuò)展，能很好地適應(yīng)當(dāng)下這一大數(shù)據(jù)時(shí)代環(huán)境。同時(shí)，