基于概率矩陣分解的多指標推薦算法研究.pdf

1、協(xié)同過濾算法是推薦系統(tǒng)中應用和研究較多的經典方法，傳統(tǒng)協(xié)同過濾算法的主要思想是基于用戶對項目的單一綜合評分挖掘用戶的興趣并為其做出推薦。然而已有研究表明基于單一評分的方法并不能很好刻畫用戶的根本興趣，于是基于多指標評分的推薦技術被提出和使用。這種方法的核心思想是利用用戶對項目不同維度的指標評分，對用戶建立興趣模型，為用戶推薦提供更加精準的項目列表。當前關于多指標推薦算法研究較少，大都受到數(shù)據規(guī)模和數(shù)據稀疏性的影響，已有相關研究可以分為三

2、類：1）將多指標評分推薦問題分解成單一指標評分問題，然后對每一維指標采用已有的任意協(xié)同推薦算法進行預測，然后再將預測結果進行綜合作為最終的綜合評分預測，該方法缺點是預先假設用戶對每維指標偏好程度一樣，現(xiàn)實情況是用戶對不同指標偏好程度可能是不一致的。2）利用聚合函數(shù)將綜合評分表示成多指標評分的線性關系，然后利用統(tǒng)計或機器學習的方法得到聚合函數(shù)，然后進行預測和推薦，該方法缺點是容易受到訓練數(shù)據的稀疏性或噪音影響。3）簡單的聚類方法，利用潛在

3、語義分析的方法對用戶進行潛在語義分析，該方法僅僅考慮了多指標對用戶的影響，而忽略了多指標對項目也同樣具有影響。
　　針對以上多指標推薦算法研究還存在不足的問題，本文提出一種基于概率矩陣分解的多指標推薦算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization，MCPMF)嘗試解決這些問題。本課題將傳統(tǒng)

4、推薦算法矩陣分解中用戶-項目關系考慮成三種關系，即用戶-多指標關系，項目-多指標關系以及用戶-項目關系。借助矩陣分解的思想能降低數(shù)據噪音和大規(guī)模數(shù)據的影響。通過假設三種關系的數(shù)據潛在分布都服從高斯分布，然后將多指標對用戶和對項目的影響考慮成一個權重矩陣。本課題提出了兩種權重矩陣的計算方法，一種是基于多指標評分的協(xié)方差矩陣；另一種假設多指標對用戶和項目的影響分布服從高斯分布，且兩種影響相互獨立，將兩種影響的聯(lián)合分布表示成對用戶和項目都產生

5、影響的權重矩陣。MCPMF中用戶和項目的特征矩陣通過梯度下降法迭代學習得到。在采集到的大眾美食點評和攜程旅游景點點評兩個真實數(shù)據集上的實驗表明，MCPMF模型與傳統(tǒng)針對單一指標模型算法相比，預測精度有一定的提高，與針對多指標的(如：FGPLSA)算法相比也有提高，并且能降低數(shù)據稀疏性所帶來的影響。
　　本文的主要貢獻有：1）對多指標權重矩陣的處理，通過兩種權重計算方法來考慮多指標。2）對多指標權重矩陣與用戶（項目）特征向量的融合處