本文選題：推薦系統(tǒng) + 相似度　； 參考：《計算機科學》2016年04期

【摘要】：隨著因特網(wǎng)和信息技術的高速發(fā)展,信息過載現(xiàn)象越來越嚴重。推薦系統(tǒng)能夠給個人和商家(例如電子商務和零售商)提供個性化的推薦。數(shù)據(jù)稀疏性和分數(shù)預測質量問題被公認為是現(xiàn)存推薦系統(tǒng)中的主要挑戰(zhàn)。當前絕大多數(shù)推薦系統(tǒng)技術都依賴于協(xié)同過濾方法,它主要利用用戶-項目評分矩陣來表示用戶和項目之間的關系。一些研究利用附加信息來提高推薦準確性,但是,絕大多數(shù)現(xiàn)存的引入項目之間關系的方法并不能很好地用于預測和推薦,因為其假設項目屬性之間是獨立同分布的,而實際上項目(或用戶)的屬性之間是存在耦合關系的。由此提出了基于屬性耦合關系的矩陣分解模型,它能有效地刻畫項目之間的耦合相關性,從而更加合理地預測用戶對項目的評分。實驗結果表明,所提出的模型在熱啟動和冷啟動的推薦準確性方面均優(yōu)于傳統(tǒng)的推薦算法。
[Abstract]:With the rapid development of Internet and information technology, the phenomenon of information overload is becoming more and more serious. Recommendation systems can provide personalized recommendations to individuals and businesses (e. G. E-commerce and retailers). The problem of data sparsity and score prediction quality is recognized as the main challenge in the existing recommendation systems. At present, most recommendation systems rely on collaborative filtering methods, which mainly use the user-item scoring matrix to express the relationship between users and items. Some studies use additional information to improve recommendation accuracy, but the vast majority of existing methods to introduce relationships between items are not well used to predict and recommend because they assume that the attributes of the items are independently and equally distributed. In fact, there is a coupling between the attributes of the project (or user). A matrix decomposition model based on attribute coupling relationship is proposed, which can effectively describe the coupling correlation between items, thus more reasonably predicting the users' scores on the items. The experimental results show that the proposed model is superior to the traditional recommendation algorithm in the accuracy of recommendation for hot start and cold start.
【作者單位】： 遼寧工程技術大學電子與信息工程學院;
【基金】：國家青年科學基金(61003162) 遼寧省高等學校杰出青年學者成長計劃(LJQ201303038)資助
【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 劉鳳林;基于矩陣分解的協(xié)同過濾推薦算法研究[D];南京理工大學;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;2015年

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

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

9 丁浩;基于協(xié)同矩陣分解的藥物靶標相互作用關系預測[D];復旦大學;2014年

10 吳世偉;社會網(wǎng)絡中的鏈接分析[D];復旦大學;2014年

，

本文編號：1867009