基于協(xié)同過濾的評(píng)分預(yù)測(cè)算法研究.pdf

1、隨著互聯(lián)網(wǎng)中用戶、商品、交易記錄、社交信息等一系列數(shù)據(jù)的爆炸式增長(zhǎng)，海量規(guī)模的信息資源充斥在網(wǎng)絡(luò)中，容易產(chǎn)生“信息過載”現(xiàn)象。為解決這一問題，個(gè)性化推薦技術(shù)應(yīng)運(yùn)而生，它能夠?yàn)橛脩籼峁┓掀渥陨硖匦缘男畔⒎?wù)和決策支持。
　　協(xié)同過濾算法是個(gè)性化推薦技術(shù)中的熱門研究課題，其通過分析用戶行為，在用戶群體中挖掘其他與指定用戶興趣相仿的用戶，綜合這些相似用戶特征對(duì)目標(biāo)物品進(jìn)行評(píng)分，形成推薦模塊對(duì)目標(biāo)物品的評(píng)分預(yù)測(cè)。然而，隨著數(shù)據(jù)規(guī)模的不斷

2、增長(zhǎng)，協(xié)同過濾推薦算法也面臨一系列挑戰(zhàn)，諸如數(shù)據(jù)稀疏性問題、擴(kuò)展性問題、推薦準(zhǔn)確性問題等。
　　本文深入研究基于模型的協(xié)同過濾推薦算法中的數(shù)據(jù)稀疏性、可擴(kuò)展性問題，并對(duì)基于受限玻爾茲曼機(jī)和基于矩陣奇異值分解的評(píng)分預(yù)測(cè)推薦算法進(jìn)行改進(jìn)。主要工作包括:
　　第一，對(duì)傳統(tǒng)協(xié)同過濾推薦算法的體系結(jié)構(gòu)、發(fā)展現(xiàn)狀展開研究，對(duì)基于鄰居相似度和基于模型的協(xié)同過濾推薦算法分別作詳細(xì)介紹。深入研究RBM模型的網(wǎng)絡(luò)結(jié)構(gòu)、對(duì)比散度訓(xùn)練方法，詳細(xì)分析

3、了奇異值分解(SingularValueDecomposition，簡(jiǎn)記為SVD)模型的理論方法，對(duì)隱語義模型及正則化方法進(jìn)行了詳細(xì)說明。
　　第二，對(duì)基于RBM的協(xié)同過濾推薦算法進(jìn)行改進(jìn)，加入訓(xùn)練數(shù)據(jù)中用戶瀏覽過但未評(píng)分的行為信息，形成基于條件受限玻爾茲曼機(jī)(ConditionalRBM，簡(jiǎn)記為CRBM)的協(xié)同過濾預(yù)測(cè)算法，并對(duì)現(xiàn)有的針對(duì)用戶的CRBM進(jìn)行改進(jìn)，提出針對(duì)項(xiàng)目的CRBM模型。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后針對(duì)項(xiàng)目的CRBM算

4、法預(yù)測(cè)精度優(yōu)于目前針對(duì)用戶的CRBM協(xié)同過濾算法。
　　第三，對(duì)基于用戶行為屬性的SVD++預(yù)測(cè)模型進(jìn)行分析與改進(jìn)，加入用戶歷史行為記錄的潛在信息，用包含用戶喜好的隱性特征向量矩陣替換原SVD模型中的用戶特征向量矩陣，提出非對(duì)稱奇異值分解算法(AsymmetricSVD，簡(jiǎn)記為ASVD)及其對(duì)偶模型，并對(duì)提出的預(yù)測(cè)模型進(jìn)行擴(kuò)展，加入k近鄰關(guān)系形成融合推薦模型進(jìn)行評(píng)分預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，所提出的融合模型能有效提高推薦系統(tǒng)的預(yù)測(cè)精度。