基于矩陣隱特征分析的推薦模型關(guān)鍵技術(shù)研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，促進了電子商務(wù)的快速普及，由此產(chǎn)生的推薦系統(tǒng)技術(shù)也在不斷為人們的消費購物帶來十足的便利。其中基于矩陣隱特征的評分預(yù)測模型其精度和時間復(fù)雜度在協(xié)同過濾推薦中表現(xiàn)良好。該模型由線性模型與隱因子模型兩部分組成。然而之前的研究重心基本集中在提高模型精度的同時保證計算效率，對于線性偏差的組合效應(yīng)并沒有進行深入的研究。同樣，通過加入時間信息來對模型進行興趣漂移建模仍然有可以思考與改進的地方。主要內(nèi)容有：
　　1.研究

2、了線性模型中先驗偏差與訓(xùn)練偏差在不同組合情況下對模型精度的影響。本文設(shè)計了詳細的改進對比實驗，通過將先驗偏差與訓(xùn)練偏差以不同的組合方式來討論包含或不包含某種偏差的情況下模型的預(yù)測精度會如何變化，詳細論證了不同偏差對于評分預(yù)測精度的具體影響。實驗的結(jié)果顯示每個不同的偏差都可能對模型有著正或負的影響，而類似全局均值偏差這種參數(shù)卻能為模型精度帶來穩(wěn)定的精度提升。
　　2.研究了基于時間信息的矩陣分解模型，并且進行了三個細節(jié)的思考與實驗，

3、提出了三種改進算法。第一是通過發(fā)掘用戶在固定時間框內(nèi)的比較穩(wěn)定的興趣漂移來提升算法精度，這利用了對物品時間漂移建模的經(jīng)驗，認為雖然用戶的概念漂移繁雜多變且受諸多因素影響，但仍然有一部分為固定可挖掘的。第二點是針對捕捉用戶長期興趣漂移的線性模型進行精細化改進，本文提出的精細化方法是用當前評價時間與最近的評價峰值時間域的均值做差值。最后，本文引入周濤等人發(fā)現(xiàn)的用戶評價行為的記憶效應(yīng)，其結(jié)論是用戶在當前評分偏高或偏低的行為會在接下來一段時間影