【摘要】：推薦系統(tǒng)的目標是找出符合用戶喜好的物品,但是用戶的喜好和物品的特征是動態(tài)變化的,這種變化會影響推薦系統(tǒng)的準確性.很多推薦系統(tǒng)只是簡單的使用概率矩陣分解模型,缺乏對這個問題的有效解決.本文利用灰色系統(tǒng)理論中的灰色預測模型對用戶和物品的動態(tài)性建模,繼而提出了一個基于概率矩陣分解和灰色預測模型的動態(tài)推薦系統(tǒng).首先,利用概率矩陣分解模型生成各個連續(xù)時間窗中用戶和物品的隱式向量.接著,利用灰色預測模型得到未來時間窗中用戶和物品的隱式向量,繼而進行推薦.實驗結果說明本文的算法能夠有效地對用戶和商品的動態(tài)性進行建模,且優(yōu)于一些現(xiàn)存的最好的算法.
[Abstract]:The goal of the recommendation system is to find out the items that accord with the user's preferences, but the user's preferences and the characteristics of the items are dynamic, which will affect the accuracy of the recommendation system. Many recommendation systems simply use probability matrix decomposition model and lack of effective solution to this problem. In this paper, the grey prediction model in grey system theory is used to model the dynamics of users and objects, and then a dynamic recommendation system based on probability matrix decomposition and grey prediction model is proposed. Firstly, the probability matrix decomposition model is used to generate the implicit vectors of users and objects in each continuous time window. Then, the implicit vectors of users and objects in the future time window are obtained by using the grey prediction model, and then the recommendation is made. The experimental results show that the proposed algorithm can effectively model the dynamics of users and goods, and is superior to some of the existing best algorithms.
【作者單位】： 中山大學數(shù)據(jù)科學與計算機學院;廣東省信息安全技術重點實驗室;
【基金】：Supported by National Natural Science Foundation(61502543,61573387) Guangzhou Program(201508010032) Guangdong Natural Science Funds for Distinguished Young Scholar(2016A030306014) Ph.D.Start-up Fund of Natural Science Foundation of Guangdong Province,China(2014A030310180) Fundamental Research Funds for Central Universities(16lgzd15)
【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 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

6 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

7 王海雷;牟雁超;俞學寧;;基于協(xié)同矩陣分解的社會化標簽系統(tǒng)的資源推薦[J];計算機應用研究;2013年06期

8 張愛文;樊紅蓮;;半離散矩陣分解改進算法在網(wǎng)頁信息檢索中的應用研究[J];黑龍江工程學院學報;2007年02期

9 李衛(wèi)平;楊杰;;基于隨機梯度矩陣分解的社會網(wǎng)絡推薦算法[J];計算機應用研究;2014年06期

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

相關博士學位論文 前5條

1 王中卿;基于文本信息的社會關系分析與研究[D];蘇州大學;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;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;2017年

4 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

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 吳世偉;社會網(wǎng)絡中的鏈接分析[D];復旦大學;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;2015年

，

本文編號：2496276