發(fā)布時間：2017-04-09 19:12

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

【摘要】：協(xié)同過濾算法是推薦系統(tǒng)中應用和研究較多的經(jīng)典方法,傳統(tǒng)協(xié)同過濾算法的主要思想是基于用戶對項目的單一綜合評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,于是基于多指標評分的推薦技術(shù)被提出和使用。這種方法的核心思想是利用用戶對項目不同維度的指標評分,對用戶建立興趣模型,為用戶推薦提供更加精準的項目列表。當前關(guān)于多指標推薦算法研究較少,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)將多指標評分推薦問題分解成單一指標評分問題,然后對每一維指標采用已有的任意協(xié)同推薦算法進行預測,然后再將預測結(jié)果進行綜合作為最終的綜合評分預測,該方法缺點是預先假設用戶對每維指標偏好程度一樣,現(xiàn)實情況是用戶對不同指標偏好程度可能是不一致的。2)利用聚合函數(shù)將綜合評分表示成多指標評分的線性關(guān)系,然后利用統(tǒng)計或機器學習的方法得到聚合函數(shù),然后進行預測和推薦,該方法缺點是容易受到訓練數(shù)據(jù)的稀疏性或噪音影響。3)簡單的聚類方法,利用潛在語義分析的方法對用戶進行潛在語義分析,該方法僅僅考慮了多指標對用戶的影響,而忽略了多指標對項目也同樣具有影響。針對以上多指標推薦算法研究還存在不足的問題,本文提出一種基于概率矩陣分解的多指標推薦算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization,MCPMF)嘗試解決這些問題。本課題將傳統(tǒng)推薦算法矩陣分解中用戶-項目關(guān)系考慮成三種關(guān)系,即用戶-多指標關(guān)系,項目-多指標關(guān)系以及用戶-項目關(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。通過假設三種關(guān)系的數(shù)據(jù)潛在分布都服從高斯分布,然后將多指標對用戶和對項目的影響考慮成一個權(quán)重矩陣。本課題提出了兩種權(quán)重矩陣的計算方法,一種是基于多指標評分的協(xié)方差矩陣;另一種假設多指標對用戶和項目的影響分布服從高斯分布,且兩種影響相互獨立,將兩種影響的聯(lián)合分布表示成對用戶和項目都產(chǎn)生影響的權(quán)重矩陣。MCPMF中用戶和項目的特征矩陣通過梯度下降法迭代學習得到。在采集到的大眾美食點評和攜程旅游景點點評兩個真實數(shù)據(jù)集上的實驗表明,MCPMF模型與傳統(tǒng)針對單一指標模型算法相比,預測精度有一定的提高,與針對多指標的(如:FGPLSA)算法相比也有提高,并且能降低數(shù)據(jù)稀疏性所帶來的影響。本文的主要貢獻有:1)對多指標權(quán)重矩陣的處理,通過兩種權(quán)重計算方法來考慮多指標。2)對多指標權(quán)重矩陣與用戶(項目)特征向量的融合處理,通過假設用戶(項目)的潛在分布都會受到多指標的影響,利用概率矩陣分解的思想來處理。3)算法對稀疏數(shù)據(jù)的適應,利用概率矩陣分解的思想,在一定程度上解決了算法過擬合的問題。
【關(guān)鍵詞】：多指標 推薦系統(tǒng) 協(xié)同過濾 概率矩陣分解
【學位授予單位】：西南科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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)同過濾推薦算法15-17
• 2.2 矩陣分解模型17-19
• 2.3 多指標評分推薦算法19-23
• 2.3.1 基于相似度方法擴展標準的協(xié)同過濾技術(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. 多指標概率矩陣分解算法24-37
• 3.1 問題定義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 多指標概率矩陣分解28-36
• 3.3.1 基于多指標評分概率分布(MCPMF1)30-31
• 3.3.2 基于多指標評分協(xié)方差矩陣(MCPMF2)31-32
• 3.3.3 多指標概率矩陣分解32-36
• 3.4 本章小結(jié)36-37
• 4. 實驗結(jié)果與分析37-49
• 4.1 推薦系統(tǒng)實驗方法介紹37-38
• 4.2 評價指標38-41
• 4.3 數(shù)據(jù)集介紹41-42
• 4.4 實驗設計與對比方法42-43
• 4.5 實驗結(jié)果和分析43-48
• 4.5.1 實驗 1-參數(shù)對算法的影響43-44
• 4.5.2 實驗 2-相關(guān)算法對比分析44-47
• 4.5.3 實驗 3-數(shù)據(jù)稀疏性對算法的影響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52-58
• 攻讀碩士學位期間發(fā)表的學術(shù)論文及研究成果58

【相似文獻】

中國期刊全文數(shù)據(jù)庫 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(jié)構(gòu)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(shù)在推薦系統(tǒng)中的應用[J];微型電腦應用;2013年03期

中國重要會議論文全文數(shù)據(jù)庫 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(jié)構(gòu)工程學術(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用[A];“力學2000”學術(shù)大會論文集[C];2000年

中國博士學位論文全文數(shù)據(jù)庫 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(jié)構(gòu)[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(shù)若干問題研究[D];浙江大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 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(guān)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

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

本文編號：295931