【摘要】：近幾年,隨著推薦系統(tǒng)廣泛應(yīng)用在各個(gè)領(lǐng)域,冷啟動(dòng)問(wèn)題受到了越來(lái)越多的關(guān)注.本文針對(duì)只可獲得用戶對(duì)商品評(píng)價(jià)的情況,解決冷啟動(dòng)難題.大部分已有研究通常先構(gòu)建用戶和商品的靜態(tài)特征,再采用多臂賭博機(jī)策略進(jìn)行推薦,其缺點(diǎn)是沒(méi)有深入提取和更新特征,限制了推薦性能.本文提出一種新的算法來(lái)解決特征提取問(wèn)題,具體來(lái)說(shuō),根據(jù)用戶對(duì)商品真實(shí)評(píng)價(jià)與預(yù)測(cè)評(píng)價(jià)的誤差,使用矩陣分解算法更新用戶和商品特征;再對(duì)新的特征使用多臂賭博機(jī)策略進(jìn)行商品推薦.新算法很好地將多臂賭博機(jī)策略和矩陣分解算法結(jié)合起來(lái),并有很強(qiáng)的通用性和可擴(kuò)展性.最后,采用真實(shí)的數(shù)據(jù)集Movielens和Last.fm將本文算法與其他不采用上下文信息的最新方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明該方法在一定程度上提升了推薦性能.
【圖文】：

．fm數(shù)據(jù)集，采用tf-idf思想，提取25個(gè)主題特征構(gòu)建歌手特征向量［6］;用戶初始特征是隨機(jī)生成的25維列向量．5．4結(jié)果分析在本文中，為更好的顯示不同的算法的性能，以隨機(jī)推薦為基礎(chǔ)，計(jì)算各個(gè)算法測(cè)試結(jié)果與隨機(jī)推薦測(cè)試結(jié)果的比值，作為各個(gè)算法的相對(duì)測(cè)試結(jié)果，下文中都以相對(duì)測(cè)試結(jié)果進(jìn)行分析．為使LinUCB算法與MFLinUCB算法有更好的可對(duì)比性，本文將MFLinUCB算法的特征個(gè)數(shù)設(shè)為與LinUCB算法相同．首先進(jìn)行參數(shù)調(diào)優(yōu)測(cè)試，以CTＲ(絕對(duì)值，非相對(duì)值)作為指標(biāo)，衡量MFLinUCB算法的參數(shù)和對(duì)推薦結(jié)果的影響，如圖1所示．圖1參數(shù)β和η的影響Fig．1Impactofβandηparameter根據(jù)圖1可知，參數(shù)β和η都會(huì)對(duì)推薦結(jié)果產(chǎn)生不同程度的影響．具體來(lái)說(shuō)，Movielens數(shù)據(jù)集的β最優(yōu)值為2．3;Last．fm數(shù)據(jù)集的最優(yōu)值為2．35．參數(shù)η的走勢(shì)與參數(shù)β相似，對(duì)于Movielens數(shù)據(jù)集，η的最優(yōu)值為0．5;對(duì)于Last．fm數(shù)據(jù)集，η最優(yōu)值為0．6．在后續(xù)對(duì)比實(shí)驗(yàn)中，對(duì)于MFLinUCB算法均采用上述最優(yōu)值．在Movielens和Last．fm數(shù)據(jù)集上，以相對(duì)累計(jì)誤差CumＲeg作為評(píng)價(jià)指標(biāo)，各個(gè)算法的結(jié)果如圖2所示．圖2在Movielens和Last．fm數(shù)據(jù)集上各算法的相對(duì)CumＲeg值隨迭代次數(shù)變化情況Fig．2Ｒesultsonmovielensandlast．fmdataset．Influenceofiterationsoncumulativeregretofthealgorithmtotherandom根據(jù)圖2可知，在Movielens數(shù)據(jù)集上算法收斂速度最快，最優(yōu)值為0．74;和相比，UCB算法的收斂速度略慢，最優(yōu)12期成石等:融合矩陣分解的多臂賭博機(jī)推薦算法2757

作為指標(biāo)，衡量MFLinUCB算法的參數(shù)和對(duì)推薦結(jié)果的影響，如圖1所示．圖1參數(shù)β和η的影響Fig．1Impactofβandηparameter根據(jù)圖1可知，參數(shù)β和η都會(huì)對(duì)推薦結(jié)果產(chǎn)生不同程度的影響．具體來(lái)說(shuō)，Movielens數(shù)據(jù)集的β最優(yōu)值為2．3;Last．fm數(shù)據(jù)集的最優(yōu)值為2．35．參數(shù)η的走勢(shì)與參數(shù)β相似，對(duì)于Movielens數(shù)據(jù)集，η的最優(yōu)值為0．5;對(duì)于Last．fm數(shù)據(jù)集，，η最優(yōu)值為0．6．在后續(xù)對(duì)比實(shí)驗(yàn)中，對(duì)于MFLinUCB算法均采用上述最優(yōu)值．在Movielens和Last．fm數(shù)據(jù)集上，以相對(duì)累計(jì)誤差CumＲeg作為評(píng)價(jià)指標(biāo)，各個(gè)算法的結(jié)果如圖2所示．圖2在Movielens和Last．fm數(shù)據(jù)集上各算法的相對(duì)CumＲeg值隨迭代次數(shù)變化情況Fig．2Ｒesultsonmovielensandlast．fmdataset．Influenceofiterationsoncumulativeregretofthealgorithmtotherandom根據(jù)圖2可知，在Movielens數(shù)據(jù)集上算法收斂速度最快，最優(yōu)值為0．74;和相比，UCB算法的收斂速度略慢，最優(yōu)12期成石等:融合矩陣分解的多臂賭博機(jī)推薦算法2757

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J];自動(dòng)化學(xué)報(bào);2011年09期

3 袁運(yùn)祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計(jì)算機(jī)應(yīng)用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

5 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國(guó)圖象圖形學(xué)報(bào);2012年03期

6 段華杰;;考慮時(shí)間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

7 王海雷;牟雁超;俞學(xué)寧;;基于協(xié)同矩陣分解的社會(huì)化標(biāo)簽系統(tǒng)的資源推薦[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

8 張愛(ài)文;樊紅蓮;;半離散矩陣分解改進(jìn)算法在網(wǎng)頁(yè)信息檢索中的應(yīng)用研究[J];黑龍江工程學(xué)院學(xué)報(bào);2007年02期

9 李衛(wèi)平;楊杰;;基于隨機(jī)梯度矩陣分解的社會(huì)網(wǎng)絡(luò)推薦算法[J];計(jì)算機(jī)應(yīng)用研究;2014年06期

10 祝永健;陳琛;;一種新的異構(gòu)網(wǎng)絡(luò)中基于上下文相關(guān)的推薦模型[J];硅谷;2013年23期

相關(guān)博士學(xué)位論文 前7條

1 王中卿;基于文本信息的社會(huì)關(guān)系分析與研究[D];蘇州大學(xué);2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現(xiàn)算法研究[D];天津大學(xué);2015年

3 王科強(qiáng);基于矩陣分解的個(gè)性化推薦系統(tǒng)[D];華東師范大學(xué);2017年

4 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

5 徐振興;基于地理標(biāo)注照片的景點(diǎn)推薦方法研究[D];浙江大學(xué);2017年

6 陳根浪;基于社交媒體的推薦技術(shù)若干問(wèn)題研究[D];浙江大學(xué);2012年

7 杜世強(qiáng);基于維數(shù)約簡(jiǎn)的無(wú)監(jiān)督聚類算法研究[D];蘭州大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 秦曉暉;個(gè)性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過(guò)濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長(zhǎng)尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 吳世偉;社會(huì)網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

10 孫偉彬;基于高維顯性特征的矩陣分解推薦[D];大連理工大學(xué);2015年

本文編號(hào)：2586646