基于增量SVD和RBM的推薦系統(tǒng)的關鍵技術和實現(xiàn)策略.pdf

1、隨著信息社會的到來，使得與信息相關的行業(yè)都得到了快速發(fā)展。這就帶來了信息量的急速膨脹，結果導致信息過載，在此背景下提出了推薦系統(tǒng)（Recommender Systems）。推薦系統(tǒng)是一種可以向用戶推薦有用物品的技術。
　　近些年來，推薦系統(tǒng)已經(jīng)成為一個熱門的研究領域，因此吸引了眾多學者，不僅在工業(yè)界，學術界也備受關注，加之Netflix每年舉辦的競賽和相關國際會議的召開，使得推薦系統(tǒng)成為了一門獨立的學科。雖然推薦系統(tǒng)不斷有新的技術

2、和新的方法誕生，使得推薦系統(tǒng)技術越來越成熟。但仍然存在一些新用戶，新物品，模型容易過擬合（可擴展性）等問題。依據(jù)數(shù)據(jù)集背景，使用了幾種典型的數(shù)據(jù)預處理技術，例如為了使得建立模型的更準確，使用去噪方法，使用有放回取樣增加訓練樣本數(shù)，使用平均值填補缺失值，為了提高模型魯棒性，人為加入噪聲等。本文主要針對現(xiàn)存的一些問題提出了改進方法，介紹如下：
　?。?）雖然基于奇異值分解（SVD）技術的推薦系統(tǒng)，相對于傳統(tǒng)的推薦技術，性能更好，但是進

3、行矩陣分解的需要的計算代價大，無論是時間復雜度和空間復雜度，特別是數(shù)據(jù)集很大時，缺點更加明顯；因此，在 SVD的基礎上，提出了增量地建立SVD模型，使用折疊技術，對于新的用戶進行一次線性映射，這種技術不僅提高了推薦系統(tǒng)的可擴展性，而且在保證預測準確性的條件下極大地降低整個過程（訓練和預測）時間復雜度，使得時間復雜度為O(1)，適合于推薦系統(tǒng)的線下和線上計算。
　?。?）基于二分網(wǎng)絡的推薦系統(tǒng)是基于權重方法的個性化推薦，將二分網(wǎng)絡直

4、接壓縮并進行單模式映射，雖然單模式比二分網(wǎng)絡含有更少的信息，但通過使用權重方法保留原始信息，同時利用基于網(wǎng)絡的動態(tài)資源分配思想，使用權重方法直接提取網(wǎng)絡的隱藏信息，性能比全局排名方法（global ranking method）明顯好。
　　（3）基于 RBM模型的推薦系統(tǒng)適用于大規(guī)模數(shù)據(jù)集，這種兩層無向圖模型適合處理表格數(shù)據(jù)，能進行有效學習和推理，將概率模型和圖模型結合，從而直接在用戶和評分之間建立連接，不僅對預測結果的可解釋性