基于優(yōu)化支持向量機(jī)的個(gè)性化推薦研究.pdf

1、在過去的十幾年中，互聯(lián)網(wǎng)上的信息量迅速增加，人們從信息匱乏時(shí)代進(jìn)入了“信息過載”時(shí)代。海量信息使人們無法快速、準(zhǔn)確地從如此龐大的信息資源中定位到自己感興趣的信息。個(gè)性化推薦作為解決該問題的有效方法，可以根據(jù)用戶的歷史行為信息建立“用戶-項(xiàng)目”間的關(guān)聯(lián)關(guān)系模型，挖掘用戶的興趣和偏好，為用戶推薦個(gè)性化的資源。
　　個(gè)性化推薦在實(shí)際應(yīng)用中存在小樣本、高維度和非線性等問題，鑒于支持向量機(jī)在小樣本學(xué)習(xí)，解決非線性問題時(shí)可以較好的克服“維度災(zāi)

2、難”，以及處理高維稀疏數(shù)據(jù)方面的優(yōu)勢(shì)，本文提出了基于支持向量機(jī)的個(gè)性化推薦方法，實(shí)現(xiàn)對(duì)項(xiàng)目的內(nèi)容信息以及用戶行為信息的綜合分析與挖掘。
　　本文完成的主要研宄工作如下：
　?、籴槍?duì)傳統(tǒng)的協(xié)同過濾推薦方法存在相似度計(jì)算方式單一，不易利用項(xiàng)目的內(nèi)容信息和冷啟動(dòng)等問題，提出了利用支持向量分類機(jī)方法來代替?zhèn)鹘y(tǒng)的相似度計(jì)算，不僅考慮了用戶的行為信息，而且也利用了項(xiàng)目的內(nèi)容信息和用戶的人口統(tǒng)計(jì)學(xué)信息。同時(shí)，利用帶收縮因子的動(dòng)態(tài)慣性權(quán)重自

3、適應(yīng)粒子群優(yōu)化算法對(duì)支持向量分類機(jī)的參數(shù)進(jìn)行優(yōu)化，以期提高推薦模型的準(zhǔn)確率。
　　②針對(duì)實(shí)際應(yīng)用中，不僅需要推薦列表，而且還需要詳細(xì)的評(píng)分信息（在某種程度上反映了用戶的興趣度），提出了基于支持向量機(jī)先分類再回歸的推薦方法。該方法根據(jù)“用戶-項(xiàng)目”關(guān)聯(lián)關(guān)系信息，構(gòu)造特征向量并訓(xùn)練一個(gè)分類模型，預(yù)測(cè)項(xiàng)目的類別，形成一個(gè)初始推薦列表；然后，在該推薦列表上建立一個(gè)回歸模型，預(yù)測(cè)項(xiàng)目的具體評(píng)分；并且在建立分類模型和回歸模型時(shí)，采用提出的帶進(jìn)

4、化速度和聚集度的自適應(yīng)粒子群優(yōu)化算法，來優(yōu)化預(yù)測(cè)模型。
　?、坩槍?duì)大規(guī)模數(shù)據(jù)中的推薦效率和實(shí)時(shí)性等問題，提出了基于平滑技術(shù)和核減少技術(shù)的對(duì)稱支持向量機(jī)推薦方法。該方法采用平滑技術(shù)對(duì)對(duì)稱支持向量機(jī)進(jìn)行變換，避免了大規(guī)模矩陣的求逆運(yùn)算，降低了算法的時(shí)間復(fù)雜度。為進(jìn)一步提高大規(guī)模數(shù)據(jù)的處理能力，采用核減少技術(shù)進(jìn)一步降低算法的時(shí)間復(fù)雜度和空間復(fù)雜度。同時(shí)，鑒于用戶的興趣和偏好會(huì)隨著時(shí)間、地點(diǎn)等不斷演化，對(duì)推薦系統(tǒng)的實(shí)時(shí)性要求較高。為此，引

5、入反饋機(jī)制，將用戶的評(píng)分?jǐn)?shù)據(jù)及時(shí)加入到歷史數(shù)據(jù)中，并設(shè)計(jì)訓(xùn)練規(guī)則，啟動(dòng)模型的重新訓(xùn)練，使模型具有一定的自適應(yīng)能力，提高了模型的推薦質(zhì)量。
　?、茚槍?duì)個(gè)性化推薦中有標(biāo)簽數(shù)據(jù)價(jià)值高但稀少，同時(shí)對(duì)無標(biāo)簽數(shù)據(jù)標(biāo)注存在耗時(shí)、耗力、代價(jià)高等問題，提出了基于主動(dòng)學(xué)習(xí)的半監(jiān)督直推式支持向量機(jī)推薦方法。首先，挖掘用戶評(píng)價(jià)信息中有價(jià)值的評(píng)論信息，并將其加入到“用戶-項(xiàng)目”關(guān)聯(lián)關(guān)系數(shù)據(jù)集中；然后，采用批采樣的主動(dòng)學(xué)習(xí)策略對(duì)大量無標(biāo)簽的“用戶-項(xiàng)目”數(shù)據(jù)