基于隱因子的邏輯回歸推薦模型研究.pdf

1、個(gè)性化推薦系統(tǒng)是根據(jù)用戶歷史行為記錄以及用戶和項(xiàng)目的特點(diǎn)，推薦適合用戶的項(xiàng)目。隨著用戶和項(xiàng)目數(shù)量的快速增長，信息過載問題突出，用戶-項(xiàng)目評(píng)分矩陣數(shù)據(jù)稀疏情況日趨嚴(yán)峻，導(dǎo)致傳統(tǒng)的推薦系統(tǒng)擴(kuò)展性不佳，個(gè)性化服務(wù)難以提升。在推薦系統(tǒng)的設(shè)計(jì)中，推薦模型的研究是關(guān)鍵，對(duì)數(shù)據(jù)稀疏與擴(kuò)展性的研究已然成為推薦系統(tǒng)研究的重點(diǎn)和難點(diǎn)。
　　本文采用的用戶-項(xiàng)目評(píng)分?jǐn)?shù)據(jù)來源于 MovieLens，它提供了大量而真實(shí)的用戶行為數(shù)據(jù)。本文首先提出基于最優(yōu)化

2、方法的近似奇異值分解—OSVD模型，對(duì)評(píng)分矩陣進(jìn)行最佳秩k奇異值分解，利用最優(yōu)化技術(shù)得到近似秩為k的奇異值和隱語義特征矩陣。實(shí)驗(yàn)結(jié)果表明，本文提出的 OSVD模型的預(yù)測能力較好于隱語義模型（LFM），且復(fù)雜度較低于奇異值分解（SVD）。接著本文提出LFM和OSVD分別與Logistic模型結(jié)合，構(gòu)建LR-LFM模型和LR-OSVD模型，這兩種模型通過將矩陣分解數(shù)值預(yù)測轉(zhuǎn)化分類問題，實(shí)現(xiàn)項(xiàng)目推薦。實(shí)驗(yàn)結(jié)果表明，本文提出的LR-LFM和LR