本文關(guān)鍵詞：基于張量分解的推薦算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著信息技術(shù)的飛速發(fā)展,人們從信息匱乏時(shí)代過渡到了信息過載時(shí)代,用戶很難從海量的數(shù)據(jù)中找到自己感興趣或?qū)ψ约河袃r(jià)值的信息。推薦系統(tǒng)是應(yīng)對(duì)信息過載問題的一個(gè)有效的解決辦法。當(dāng)前,基于模型的推薦算法是推薦系統(tǒng)研究領(lǐng)域的熱點(diǎn)方向,具有推薦精度高、善于發(fā)現(xiàn)用戶新的興趣點(diǎn)、可擴(kuò)展性好等優(yōu)點(diǎn)。但是,基于模型的推薦算法仍然存在的一些問題。第一,忽略時(shí)間因素對(duì)推薦系統(tǒng)的影響。傳統(tǒng)的推薦模型是靜態(tài)的,忽略了時(shí)間因素,部分推薦算法雖然將時(shí)間因素考慮在內(nèi),但只是使用最近的數(shù)據(jù)或者給過去的數(shù)據(jù)降低權(quán)重,這樣可能會(huì)造成有用信息的丟失。第二,優(yōu)化目標(biāo)與推薦系統(tǒng)目標(biāo)不一致。推薦系統(tǒng)的最終目的是對(duì)用戶形成推薦項(xiàng)目序列,傳統(tǒng)的基于模型的推薦算法先預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分,然后依據(jù)評(píng)分生成推薦序列。這些推薦算法的重點(diǎn)是評(píng)分預(yù)測(cè),可是能很好地預(yù)測(cè)評(píng)分不一定能很好地進(jìn)行項(xiàng)目推薦。本文針對(duì)這兩個(gè)問題,在現(xiàn)有的研究工作的基礎(chǔ)上進(jìn)行了改進(jìn),提出了兩種改進(jìn)的推薦算法。針對(duì)第一個(gè)問題,本文提出了一種改進(jìn)的基于時(shí)間的局部低秩張量分解推薦算法。該推薦算法在傳統(tǒng)的推薦算法的基礎(chǔ)上,考慮時(shí)間因素,把評(píng)分矩陣看作是用戶、項(xiàng)目、時(shí)間三個(gè)維度的張量,將傳統(tǒng)的推薦算法延伸到張量領(lǐng)域。針對(duì)第二個(gè)問題,本文提出了進(jìn)一步的改進(jìn)算法局部低秩張量分解排名推薦算法。首先,為了提高排名推薦效果,該算法選擇直接優(yōu)化排名評(píng)價(jià)指標(biāo)倒數(shù)排名函數(shù)均值(Mean Reciprocal Rank,MRR);其次,為了能夠充分利用數(shù)據(jù)集合中的信息,該算法修改該評(píng)價(jià)指標(biāo)使其適合顯式反饋數(shù)據(jù)集合；然后,為了能夠使用標(biāo)準(zhǔn)最優(yōu)化方法對(duì)修改后的評(píng)價(jià)指標(biāo)進(jìn)行優(yōu)化操作,該算法對(duì)其進(jìn)行平滑化操作；接著,為了簡(jiǎn)化優(yōu)化操作的過程,該算法求出平滑化后的評(píng)價(jià)指標(biāo)的下界；最后,該算法將該評(píng)價(jià)指標(biāo)的下界作為目標(biāo)函數(shù),使用隨機(jī)梯度上升法對(duì)其進(jìn)行優(yōu)化操作。實(shí)驗(yàn)表明,這兩種推薦算法都能提高排名推薦效果。
【關(guān)鍵詞】：推薦系統(tǒng) 時(shí)間因素 張量分解 倒數(shù)排名函數(shù)均值 排名推薦
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景和意義11-12
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀12-15
• 1.3 本文主要工作15-16
• 1.4 本文組織結(jié)構(gòu)16-17
• 2 推薦系統(tǒng)研究綜述17-30
• 2.1 協(xié)同過濾推薦算法17-26
• 2.1.1 基于記憶的協(xié)同過濾推薦算法18-21
• 2.1.2 基于模型的協(xié)同過濾推薦算法21-26
• 2.2 基于內(nèi)容的推薦算法26-28
• 2.3 混合推薦算法28-29
• 2.4 本章總結(jié)29-30
• 3 局部低秩張量分解推薦算法30-41
• 3.1 局部低秩矩陣分解推薦算法30-32
• 3.2 時(shí)間對(duì)推薦的影響32-33
• 3.3 張量分解33-36
• 3.4 改進(jìn)的局部低秩張量分解推薦算法36-40
• 3.5 本章總結(jié)40-41
• 4 局部低秩張量分解排名推薦算法41-50
• 4.1 推薦系統(tǒng)中的排名問題41-43
• 4.2 改進(jìn)的局部低秩張量分解排名推薦算法43-49
• 4.2.1 平滑化倒數(shù)排名函數(shù)43-45
• 4.2.2 倒數(shù)排名函數(shù)的下界45-47
• 4.2.3 算法描述47-49
• 4.3 本章總結(jié)49-50
• 5 實(shí)驗(yàn)結(jié)果及分析50-62
• 5.1 實(shí)驗(yàn)數(shù)據(jù)50-51
• 5.2 評(píng)價(jià)指標(biāo)51-53
• 5.3 算法實(shí)驗(yàn)結(jié)果分析53-60
• 5.3.1 實(shí)驗(yàn)平臺(tái)53-54
• 5.3.2 算法影響因素54-56
• 5.3.3 算法對(duì)比實(shí)驗(yàn)56-60
• 5.4 本章總結(jié)60-62
• 6 總結(jié)與展望62-64
• 參考文獻(xiàn)64-68
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果68-70
• 學(xué)位論文數(shù)據(jù)集70

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時(shí)間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁(yè)面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會(huì)頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動(dòng)商務(wù)個(gè)性化推薦系統(tǒng)[A];社會(huì)經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第17屆學(xué)術(shù)年會(huì)論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號(hào)：331124