發(fā)布時(shí)間：2017-04-09 19:12

  本文關(guān)鍵詞：基于概率矩陣分解的多指標(biāo)推薦算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：協(xié)同過(guò)濾算法是推薦系統(tǒng)中應(yīng)用和研究較多的經(jīng)典方法,傳統(tǒng)協(xié)同過(guò)濾算法的主要思想是基于用戶對(duì)項(xiàng)目的單一綜合評(píng)分挖掘用戶的興趣并為其做出推薦。然而已有研究表明基于單一評(píng)分的方法并不能很好刻畫用戶的根本興趣,于是基于多指標(biāo)評(píng)分的推薦技術(shù)被提出和使用。這種方法的核心思想是利用用戶對(duì)項(xiàng)目不同維度的指標(biāo)評(píng)分,對(duì)用戶建立興趣模型,為用戶推薦提供更加精準(zhǔn)的項(xiàng)目列表。當(dāng)前關(guān)于多指標(biāo)推薦算法研究較少,大都受到數(shù)據(jù)規(guī)模和數(shù)據(jù)稀疏性的影響,已有相關(guān)研究可以分為三類:1)將多指標(biāo)評(píng)分推薦問(wèn)題分解成單一指標(biāo)評(píng)分問(wèn)題,然后對(duì)每一維指標(biāo)采用已有的任意協(xié)同推薦算法進(jìn)行預(yù)測(cè),然后再將預(yù)測(cè)結(jié)果進(jìn)行綜合作為最終的綜合評(píng)分預(yù)測(cè),該方法缺點(diǎn)是預(yù)先假設(shè)用戶對(duì)每維指標(biāo)偏好程度一樣,現(xiàn)實(shí)情況是用戶對(duì)不同指標(biāo)偏好程度可能是不一致的。2)利用聚合函數(shù)將綜合評(píng)分表示成多指標(biāo)評(píng)分的線性關(guān)系,然后利用統(tǒng)計(jì)或機(jī)器學(xué)習(xí)的方法得到聚合函數(shù),然后進(jìn)行預(yù)測(cè)和推薦,該方法缺點(diǎn)是容易受到訓(xùn)練數(shù)據(jù)的稀疏性或噪音影響。3)簡(jiǎn)單的聚類方法,利用潛在語(yǔ)義分析的方法對(duì)用戶進(jìn)行潛在語(yǔ)義分析,該方法僅僅考慮了多指標(biāo)對(duì)用戶的影響,而忽略了多指標(biāo)對(duì)項(xiàng)目也同樣具有影響。針對(duì)以上多指標(biāo)推薦算法研究還存在不足的問(wèn)題,本文提出一種基于概率矩陣分解的多指標(biāo)推薦算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization,MCPMF)嘗試解決這些問(wèn)題。本課題將傳統(tǒng)推薦算法矩陣分解中用戶-項(xiàng)目關(guān)系考慮成三種關(guān)系,即用戶-多指標(biāo)關(guān)系,項(xiàng)目-多指標(biāo)關(guān)系以及用戶-項(xiàng)目關(guān)系。借助矩陣分解的思想能降低數(shù)據(jù)噪音和大規(guī)模數(shù)據(jù)的影響。通過(guò)假設(shè)三種關(guān)系的數(shù)據(jù)潛在分布都服從高斯分布,然后將多指標(biāo)對(duì)用戶和對(duì)項(xiàng)目的影響考慮成一個(gè)權(quán)重矩陣。本課題提出了兩種權(quán)重矩陣的計(jì)算方法,一種是基于多指標(biāo)評(píng)分的協(xié)方差矩陣;另一種假設(shè)多指標(biāo)對(duì)用戶和項(xiàng)目的影響分布服從高斯分布,且兩種影響相互獨(dú)立,將兩種影響的聯(lián)合分布表示成對(duì)用戶和項(xiàng)目都產(chǎn)生影響的權(quán)重矩陣。MCPMF中用戶和項(xiàng)目的特征矩陣通過(guò)梯度下降法迭代學(xué)習(xí)得到。在采集到的大眾美食點(diǎn)評(píng)和攜程旅游景點(diǎn)點(diǎn)評(píng)兩個(gè)真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明,MCPMF模型與傳統(tǒng)針對(duì)單一指標(biāo)模型算法相比,預(yù)測(cè)精度有一定的提高,與針對(duì)多指標(biāo)的(如:FGPLSA)算法相比也有提高,并且能降低數(shù)據(jù)稀疏性所帶來(lái)的影響。本文的主要貢獻(xiàn)有:1)對(duì)多指標(biāo)權(quán)重矩陣的處理,通過(guò)兩種權(quán)重計(jì)算方法來(lái)考慮多指標(biāo)。2)對(duì)多指標(biāo)權(quán)重矩陣與用戶(項(xiàng)目)特征向量的融合處理,通過(guò)假設(shè)用戶(項(xiàng)目)的潛在分布都會(huì)受到多指標(biāo)的影響,利用概率矩陣分解的思想來(lái)處理。3)算法對(duì)稀疏數(shù)據(jù)的適應(yīng),利用概率矩陣分解的思想,在一定程度上解決了算法過(guò)擬合的問(wèn)題。
【關(guān)鍵詞】：多指標(biāo) 推薦系統(tǒng) 協(xié)同過(guò)濾 概率矩陣分解
【學(xué)位授予單位】：西南科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-5
• Abstract5-9
• 1. 緒論9-15
• 1.1 研究背景及意義9-13
• 1.2 研究的目標(biāo)和內(nèi)容13-14
• 1.3 論文的章節(jié)安排14-15
• 2. 推薦系統(tǒng)算法綜述15-24
• 2.1 協(xié)同過(guò)濾推薦算法15-17
• 2.2 矩陣分解模型17-19
• 2.3 多指標(biāo)評(píng)分推薦算法19-23
• 2.3.1 基于相似度方法擴(kuò)展標(biāo)準(zhǔn)的協(xié)同過(guò)濾技術(shù)19-20
• 2.3.2 基于聚合函數(shù)的方法20-22
• 2.3.3 基于聚類的思想22
• 2.3.4 其他方法22-23
• 2.4 本章小結(jié)23-24
• 3. 多指標(biāo)概率矩陣分解算法24-37
• 3.1 問(wèn)題定義24-25
• 3.2 概率矩陣分解PMF25-28
• 3.2.1 矩陣分解25-27
• 3.2.2 概率矩陣分解27-28
• 3.3 多指標(biāo)概率矩陣分解28-36
• 3.3.1 基于多指標(biāo)評(píng)分概率分布(MCPMF1)30-31
• 3.3.2 基于多指標(biāo)評(píng)分協(xié)方差矩陣(MCPMF2)31-32
• 3.3.3 多指標(biāo)概率矩陣分解32-36
• 3.4 本章小結(jié)36-37
• 4. 實(shí)驗(yàn)結(jié)果與分析37-49
• 4.1 推薦系統(tǒng)實(shí)驗(yàn)方法介紹37-38
• 4.2 評(píng)價(jià)指標(biāo)38-41
• 4.3 數(shù)據(jù)集介紹41-42
• 4.4 實(shí)驗(yàn)設(shè)計(jì)與對(duì)比方法42-43
• 4.5 實(shí)驗(yàn)結(jié)果和分析43-48
• 4.5.1 實(shí)驗(yàn) 1-參數(shù)對(duì)算法的影響43-44
• 4.5.2 實(shí)驗(yàn) 2-相關(guān)算法對(duì)比分析44-47
• 4.5.3 實(shí)驗(yàn) 3-數(shù)據(jù)稀疏性對(duì)算法的影響47-48
• 4.6 本章小結(jié)48-49
• 5. 總結(jié)與展望49-51
• 5.1 工作總結(jié)49-50
• 5.2 工作展望50-51
• 致謝51-52
• 參考文獻(xiàn)52-58
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及研究成果58

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

6 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號(hào)處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

9 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

10 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

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 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

2 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

3 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

4 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

5 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

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 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 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測(cè)[D];復(fù)旦大學(xué);2014年

10 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

  本文關(guān)鍵詞：基于概率矩陣分解的多指標(biāo)推薦算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：295931