推薦系統(tǒng)中矩陣分解算法研究.pdf

1、隨著在線服務的快速發(fā)展，互聯(lián)網(wǎng)上擁有的信息量呈現(xiàn)爆炸性增長趨勢，導致人們很難有效地獲取感興趣的內(nèi)容。推薦系統(tǒng)是幫助用戶發(fā)現(xiàn)符合其興趣偏好的物品，緩解信息過載問題的有效工具之一。矩陣分解算法是目前推薦系統(tǒng)領域研究的前沿之一。該算法將用戶對物品的評分矩陣分解為隱因子空間上用戶、物品隱因子矩陣，具有理論基礎好、預測準確性高等諸多優(yōu)點。目前，矩陣分解算法仍存在學習速率調(diào)參耗時、傾斜數(shù)據(jù)集上并行效果差和稀疏評分數(shù)據(jù)集上推薦效果不理想等問題。

2、>　　本文圍繞矩陣分解算法，深入分析其存在的三個問題，并提出了相應的改進方案。本文的主要內(nèi)容和貢獻如下:
　　我們提出了一個求解矩陣分解模型的自適應學習速率算法。隨機梯度下降算法是求解矩陣分解模型的有效算法之一，其性能很大程度上依賴于訓練過程中學習速率的調(diào)整方案。在優(yōu)化矩陣分解算法的目標函數(shù)時，由于學習速率選取的不合適，目標函數(shù)會出現(xiàn)收斂速度慢、收斂結果不理想等問題。本文在分析各種學習速率方案缺點的基礎上，提出了一個求解矩陣分解模

3、型的自適應學習速率算法AALRSMF。該算法來源于ADADELTA算法，不需要手動設置全局學習速率，并且表現(xiàn)出對超參數(shù)選擇的魯棒性。和ADADELTA算法相比，AALRSMF算法將空間復雜度從O(k(m+n))降低為O（m+n），將每次迭代的計算代價減少了O(10k)。實驗結果表明，AALRSMF算法能夠顯著地減少目標函數(shù)收斂的迭代次數(shù)。
　　我們提出了一個并行矩陣分解算法。矩陣分解算法的并行化一直是一個研究熱點，但是當用戶評分矩

4、陣傾斜時，已有的并行矩陣分解算法會導致目標函數(shù)出現(xiàn)收斂速度慢、收斂結果不理想等問題。本文在分析已有的并行算法在分解傾斜評分矩陣缺點的基礎上，提出了一個基于KD樹的并行矩陣分解算法KDMF。該算法利用KD樹對用戶評分矩陣進行劃分，使得每個分區(qū)塊中的評分數(shù)目盡可能相近，然后基于部分匹配查詢，設計出一個異步調(diào)度算法，最小化調(diào)度分區(qū)塊的時間花費。實驗結果表明，KDMF算法能夠顯著地減少目標函數(shù)收斂所需要的時間，并且收斂結果好于其他并行算法。

5、r>　　我們提出了一個基于文本上下文的矩陣分解算法。在實際應用中，用戶評分矩陣往往是極度稀疏的。在這樣的數(shù)據(jù)集上，傳統(tǒng)的矩陣分解算法學習效果往往不理想。研究人員考慮將一些輔助信息加入到矩陣分解模型中，來提高推薦算法的性能。本文基于前人的工作，并針對他們工作中存在的問題，提出了一個基于字符表征信息的矩陣分解算法CharConvMF。該算法將物品的文本內(nèi)容作為輔助信息，利用深度卷積神經(jīng)網(wǎng)絡從字符的角度提取文本內(nèi)容的表征信息，然后將提取到的表