本文關(guān)鍵詞： 推薦系統(tǒng) 位置服務(wù) 概率矩陣分解 冷啟動問題 約束　出處：《計算機研究與發(fā)展》2017年08期 　論文類型：期刊論文

【摘要】：位置服務(wù)作為一種信息共享平臺,在方便人們交流和共享信息的同時,也因為用戶數(shù)量的不斷增加,而面臨著嚴(yán)重的信息過載問題.如何利用推薦技術(shù)對信息進行過濾和篩選,幫助用戶在位置服務(wù)中發(fā)現(xiàn)有價值的信息成為近年來研究的熱點.但目前已有的推薦算法,在只有消費記錄這種隱性數(shù)據(jù)情況下,針對用戶較少活動區(qū)域或新用戶的推薦效率較低,無法最大化挖掘隱性數(shù)據(jù)所帶的信息.針對以上問題,結(jié)合位置服務(wù)平臺的特點,針對用戶冷啟動問題,提出了一種結(jié)合協(xié)同概率矩陣分解與迭代決策樹(gradient boosting decision tree,GBDT)的推薦算法.該方法首先使用多層協(xié)同概率矩陣分解在多個維度上得到用戶潛在特征,然后使用GBDT學(xué)習(xí)算法對特征和標(biāo)簽進行訓(xùn)練得到用戶對項目的偏好,最后使用考慮約束問題的top-N推薦產(chǎn)生推薦列表.在真實數(shù)據(jù)集上的實驗結(jié)果表明,與目前較為流行的方法相比,提出的方法能在準(zhǔn)確率、F1值上取得較好的結(jié)果,能更好地緩解位置服務(wù)中的冷啟動問題.
[Abstract]:As a kind of information sharing platform, location service not only facilitates people to exchange and share information, but also faces serious information overload problem because of the increasing number of users. Helping users find valuable information in location services has become a hot topic in recent years. The recommendation efficiency for the users with less active areas or new users is low, which can not maximize the information of mining the hidden data. In view of the above problems, combined with the characteristics of the location service platform, the cold start problem of users can be solved. In this paper, a recommendation algorithm combining cooperative probability matrix decomposition with iterative decision tree gradient boosting decision treedoff (GB DTT) is proposed. In this method, the potential characteristics of users are obtained by using multi-layer cooperative probability matrix decomposition on multiple dimensions. Then the GBDT learning algorithm is used to train the feature and label to get the user's preference for the item. Finally, the top-N recommendation with constraint problem is used to generate the recommendation list. The experimental results on the real data set show that, Compared with the current popular methods, the proposed method can obtain better results on accuracy and F1 value, and can better alleviate the cold start problem in location services.
【作者單位】： 山東師范大學(xué)信息科學(xué)與工程學(xué)院;山東師范大學(xué)管理科學(xué)與工程學(xué)院;山東大學(xué)計算機科學(xué)與技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金項目(61602282,61602284) 中國博士后科學(xué)基金項目(2016M602181) 國家社會科學(xué)基金項目(14BTQ049)~~
【分類號】：TP391.3

【參考文獻】

相關(guān)期刊論文 前4條

1 李鑫;劉貴全;李琳;吳宗大;丁君美;;LBSN上基于興趣圈中社會關(guān)系挖掘的推薦算法[J];計算機研究與發(fā)展;2017年02期

2 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評分與信任聯(lián)合預(yù)測[J];電子學(xué)報;2016年07期

3 劉樹棟;孟祥武;;一種基于移動用戶位置的網(wǎng)絡(luò)服務(wù)推薦方法[J];軟件學(xué)報;2014年11期

4 郭磊;馬軍;陳竹敏;姜浩然;;一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J];計算機學(xué)報;2014年01期

【相似文獻】

相關(guān)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(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變分貝葉斯矩陣分解模型[J];自動化學(xué)報;2011年09期

3 袁運祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計算機應(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;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(xué)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(luò)社區(qū)挖掘算法[J];計算機科學(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];中國圖象圖形學(xué)報;2012年03期

10 段華杰;;考慮時間效應(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

相關(guān)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(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)術(shù)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(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)大會論文集[C];2000年

相關(guān)博士學(xué)位論文 前8條

1 王中卿;基于文本信息的社會關(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;基于矩陣分解的個性化推薦系統(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 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

6 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(jié)構(gòu)[D];清華大學(xué);2014年

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

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

相關(guān)碩士學(xué)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(xué);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(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)與長尾捆綁推薦的博弈研究[D];福建師范大學(xué);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(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[D];復(fù)旦大學(xué);2014年

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

，

本文編號：1505805