基于改進(jìn)矩陣分解的推薦算法研究.pdf

1、在當(dāng)今網(wǎng)絡(luò)和電商競技的時(shí)代，推薦系統(tǒng)變得越來越有意義，尤其是在如今信息暴漲的時(shí)代，推薦系統(tǒng)的作用尤為突出。它能夠快速幫助用戶在海量數(shù)據(jù)中獲取到有用信息，從而將用戶感興趣的物品推薦給他，這極大的節(jié)約了用戶的時(shí)間，方便了用戶找尋需要之物。推薦系統(tǒng)的核心在于推薦算法，推薦算法通過收集和分析用戶的各種信息記錄來學(xué)習(xí)用戶的興趣和行為方式，利用數(shù)據(jù)挖掘技術(shù)得到用戶的喜好信息，進(jìn)而為用戶推薦他所需要的物品。因此一個(gè)好的推薦算法必須要有高的推薦精度，能

2、夠較精確的捕獲到用戶的興趣特征與偏好，正確推薦。所以，推薦的精確性是衡量一個(gè)推薦算法的最重要指標(biāo)。因此，本文主要以提高推薦算法的精確性為主線，在現(xiàn)有推薦算法的基礎(chǔ)上做了改進(jìn)和優(yōu)化，以提高算法推薦精確度。
　　本研究主要內(nèi)容包括：⑴介紹了當(dāng)前常見的推薦算法技術(shù)及各自的優(yōu)缺點(diǎn)，對推薦算法中隱語義模型下的矩陣分解(Matrix Factorization，MF)推薦算法做了較深入研究。⑵在深入理解MF算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出基于高斯核

3、函數(shù)矩陣分解的推薦算法(GaussianKernel Matrix Factorization， GKMF)以求提高算法預(yù)測精度，詳細(xì)推導(dǎo)了算法迭代公式，給出了算法流程框圖；此外，通過深入分析實(shí)驗(yàn)數(shù)據(jù)集特點(diǎn)后，考慮在GKMF算法中加入偏置因子，記為GKMF+算法,以期更進(jìn)一步提高算法預(yù)測精度。⑶通過真實(shí)數(shù)據(jù)集上不同規(guī)模的電影評分?jǐn)?shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證。首先通過實(shí)驗(yàn)結(jié)果分析了實(shí)驗(yàn)參數(shù)對于預(yù)測結(jié)果的影響，為選擇合適的參數(shù)提供依據(jù)和便利。然后在不同