基于概率矩陣分解的個(gè)性化推薦系統(tǒng)研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩63頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著互聯(lián)網(wǎng)信息的快速增長(zhǎng),個(gè)性化的推薦系統(tǒng)對(duì)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(wèn)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(duì)信息利用的需求。在很多實(shí)際的應(yīng)用場(chǎng)景中,推薦系統(tǒng)中的數(shù)據(jù)除了用戶-項(xiàng)目的評(píng)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(wèn)題。
  本文在分析推薦系統(tǒng)的國(guó)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(wèn)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(guò)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(zhǎng),利用這些豐富的信息能帶來(lái)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(duì)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(wèn)題。
  針對(duì)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(cè)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?cè)贐ibso

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?jī)?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(duì)推薦數(shù)據(jù)中擁有的時(shí)間信息,我們?cè)谠械脑u(píng)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(duì)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(duì)每類為用戶推薦項(xiàng)目。基于層次推薦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),

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論