本文關鍵詞： 個性化推薦 協(xié)同過濾 數(shù)據(jù)稀疏 概率矩陣分解　出處：《內(nèi)蒙古大學》2016年碩士論文　論文類型：學位論文

【摘要】：自互聯(lián)網(wǎng)中的信息海量化以來,信息超負荷已經(jīng)是所有網(wǎng)民即將或已經(jīng)遇到的問題,而相關性是解決信息超負荷問題眾多方法中的一種主流方法。個性化推薦在電子商務網(wǎng)站也逐漸凸顯出其重要的作用。該技術在發(fā)現(xiàn)用戶潛在需求的基礎上,將不相關的信息或者項目過濾掉,最后主動向用戶推薦滿足其需求的項目,以達到緩解信息過載的目的。本文在以用戶—項目評分矩陣為主要甚至唯一的數(shù)據(jù)信息基礎的概率矩陣分解模型PMF中融入用戶與好友的社會信任關系,將好友對用戶的影響線性聚合起來,得到即考慮用戶自身興趣又考慮好友興趣對其產(chǎn)生的影響的用戶潛在特征向量,對由矩陣分解得到的用戶潛在特征向量進行約束,同時會利用一個參數(shù)限制該約束的程度。并考慮項目的評論文本信息也能在一定程度上反映項目的屬性,因此利用LDA模型處理評論文本信息得到項目的主題分布向量。再利用指數(shù)函數(shù)將矩陣分解得到的項目潛在特征向量映射到主題分布向量上來,對由矩陣分解得到的項目潛在特征向量產(chǎn)生約束,最后提出基于用戶反饋信息與用戶信任度的商品推薦模型(MRM)。實驗中,采用梯度下降的方法對后驗概率進行最大化,并同時優(yōu)化用戶潛在特征向量、項目潛在特征向量以及主題分布向量,得到最終的主題分布矩陣、用戶潛在特征矩陣和項目潛在特征矩陣,最終獲得用戶的預測評分。本文在Yelp評論網(wǎng)站真實數(shù)據(jù)上進行實驗,本混合模型在典型的衡量推薦準確度標準MAE和RMSE上分別提升了9.7%和8.7%,實驗結果顯示基于用戶反饋信息與用戶信任度的商品推薦模型的推薦結果優(yōu)于概率矩陣推薦算法,并驗證了該混合推薦模型在緩解數(shù)據(jù)稀疏性問題上的有效性。
[Abstract]:Since the quantification of information in the Internet, information overload has become a problem that all Internet users will or have encountered. The relevance is one of the main methods to solve the problem of information overload. Personalized recommendation is also playing an important role in e-commerce websites. This technology is based on discovering the potential needs of users. Filter out irrelevant information or items, and finally proactively recommend items that meet the user's needs, In order to alleviate the information overload, this paper integrates the social trust relationship between users and friends in the probability matrix decomposition model (PMF), which is based on the user-item scoring matrix, which is the main or even the only data information basis. The influence of friends on users is linearly aggregated to obtain user potential feature vectors that take into account both user's own interests and the effects of friends' interests, and constrain the user's potential Eigenvectors obtained by matrix decomposition. It also uses a parameter to limit the extent of the constraint and considers that the comment text information of the item can also reflect the properties of the item to a certain extent. Therefore, the topic distribution vector of the item is obtained by using the LDA model to process the comment text information, and then the item potential eigenvector obtained by the matrix decomposition is mapped to the topic distribution vector by using the exponential function. Finally, a commodity recommendation model based on user feedback information and user trust is proposed. In the experiment, the gradient descent method is used to maximize the posterior probability. At the same time, the user potential feature vector, the item potential feature vector and the topic distribution vector are optimized to obtain the final topic distribution matrix, user potential feature matrix and item potential feature matrix. Finally gets the user's forecast score. This article carries on the experiment on the Yelp comment website real data, The hybrid model is improved by 9.7% and 8.7 on the typical standard of recommendation accuracy, MAE and RMSE, respectively. The experimental results show that the recommended results of the model based on user feedback and user trust are superior to those of the probability matrix recommendation algorithm. The effectiveness of the hybrid recommendation model in alleviating the problem of data sparsity is verified.
【學位授予單位】：內(nèi)蒙古大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補全算法研究進展[J];計算機科學;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變分貝葉斯矩陣分解模型[J];自動化學報;2011年09期

3 袁運祥;基于矩陣分解的子結構法求解介紹[J];計算機應用通訊;1981年00期

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

5 何朕,趙文斌,于達仁;攝動矩陣的分解[J];電機與控制學報;2004年03期

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

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號處理;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)絡社區(qū)挖掘算法[J];計算機科學;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];中國圖象圖形學報;2012年03期

10 段華杰;;考慮時間效應的矩陣分解技術在推薦系統(tǒng)中的應用[J];微型電腦應用;2013年03期

相關會議論文 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)分析中的應用[A];第九屆全國結構工程學術會議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

相關博士學位論文 前5條

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

2 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

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

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

5 陳根浪;基于社交媒體的推薦技術若干問題研究[D];浙江大學;2012年

相關碩士學位論文 前10條

1 秦曉暉;個性化微博推薦方法研究[D];華南理工大學;2015年

2 余志琴;基于ADMM的分布式矩陣分解[D];上海交通大學;2015年

3 伏路;矩陣補全問題的研究與應用[D];中國石油大學(華東);2014年

4 張志綺;基于用戶關系的矩陣分解推薦算法研究[D];北京交通大學;2016年

5 蘇睿龍;基于個性化集合排序的多樣性推薦[D];上海交通大學;2015年

6 陳翠翠;基于隱性反饋的協(xié)同推薦[D];東南大學;2015年

7 王科;語義提升和矩陣分解在跨模哈希檢索中的應用研究[D];安徽大學;2016年

8 楊強;結合個體影響力和信任傳遞的矩陣分解推薦算法[D];重慶師范大學;2016年

9 高瑞波;基于核矩陣分解和魯棒估計的協(xié)同過濾推薦算法[D];燕山大學;2016年

10 王少標;基于個性與共性探討的人臉美化[D];中國科學技術大學;2016年

，

本文編號：1497598