矩陣分解在推薦系統(tǒng)中的研究與應(yīng)用.pdf

1、自人類在20世紀(jì)末期邁入信息時(shí)代以來，互聯(lián)網(wǎng)蓬勃發(fā)展，人們的日?；顒?dòng)與互聯(lián)網(wǎng)的聯(lián)系變得更加緊密，一方面用戶享受網(wǎng)絡(luò)帶來的快捷和便利，另一方面互聯(lián)網(wǎng)中的信息也越來越多，人們難以在海量數(shù)據(jù)中找到自己所需的信息，這就是“信息過載”問題。
　　隨著個(gè)性化推薦系統(tǒng)的誕生，上述問題得到了有效地緩解。目前最為常見的推薦算法是協(xié)同過濾，它使用多個(gè)用戶提供的評(píng)分中的“協(xié)同能力”給用戶進(jìn)行推薦。自從2007年基于矩陣分解模型的推薦算法被提出以來，科研

2、人員投入了大量的精力對(duì)矩陣分解模型進(jìn)行了研究，如今已成為了推薦領(lǐng)域的熱點(diǎn)話題。矩陣分解最為顯著地優(yōu)點(diǎn)是在稀疏數(shù)據(jù)集下也能保持良好的推薦性能，然而推薦的結(jié)果難以解釋，有時(shí)難以讓用戶信服。本論文在第三章詳細(xì)介紹和分析了四種常見的矩陣分解模型，并在Movielens數(shù)據(jù)集上通過實(shí)驗(yàn)定量比較了它們的推薦性能。
　　在使用隱式反饋數(shù)據(jù)進(jìn)行推薦時(shí)，由于訓(xùn)練集中沒有負(fù)樣本，常常會(huì)導(dǎo)致模型出現(xiàn)顯著的過擬合情況，而將所有用戶未操作的物品作為負(fù)樣本時(shí)

3、結(jié)果往往又會(huì)產(chǎn)生較大的偏倚，這種訓(xùn)練中沒有負(fù)樣本的情況被稱為單類協(xié)同過濾問題。本論文針對(duì)這個(gè)問題提出了一種利用流行度、社交網(wǎng)絡(luò)和用戶評(píng)論進(jìn)行負(fù)樣本選擇的采樣方法 NegSec，通過利用這些輔助信息盡可能從用戶沒有過操作行為的物品中甄別出用戶真正不喜歡的物品，將其作為訓(xùn)練負(fù)樣本。在豆瓣電影數(shù)據(jù)集上對(duì)算法效果進(jìn)行驗(yàn)證，利用NegSec算法所提取的負(fù)樣本訓(xùn)練出的矩陣分解推薦模型能達(dá)到15.7％的準(zhǔn)確率，是隨機(jī)提取算法的兩倍。
　　本論文

4、在深度學(xué)習(xí)與矩陣分解模型相結(jié)合的探索中也做了一些努力，提出了一種利用文本信息并結(jié)合深度學(xué)習(xí)的矩陣分解推薦算法DLPMF，算法主要利用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)文本信息進(jìn)行建模，提取文本信息中的特征，并將所提取的文本特征與矩陣分解后的物品隱含向量進(jìn)行關(guān)聯(lián)，其實(shí)質(zhì)是改變了原有代價(jià)函數(shù)中針對(duì)物品的正則化項(xiàng)。通過在豆瓣數(shù)據(jù)集上的多組實(shí)驗(yàn)證明，DLPMF算法有效利用了用戶的評(píng)論信息，在RMSE指標(biāo)上達(dá)到0.9左右，比PMF算法在預(yù)測(cè)性能上提升了4