推薦系統(tǒng)是數(shù)據挖掘等相關領域的重要研究內容,可解決信息膨脹帶來的信息有效利用率驟降問題,在商品推薦等方面有著廣泛的應用�；谠u分矩陣的推薦系統(tǒng)存在數(shù)據稀疏性、不可解釋性、同義詞性、冷啟動等缺陷;針對數(shù)據稀疏問題,研究者利用稀疏矩陣的低秩性質對矩陣進行約束,以此對數(shù)據矩陣進行補全求解,提出了基于矩陣補全技術的推薦算法。論文側重針對數(shù)據稀疏性問題,圍繞基于矩陣補全的推薦算法開展研究,主要研究工作如下:1.論文提出了基于混合線性矩陣補全的推薦算法（Mixed Linear Matrix Completion based Recommend Algorithm,MLMC-RA）。該算法將用戶與物品各自的特征以及他們之間的相關系與用戶-物品的評分矩陣關系融合,構建混合線性矩陣補全的推薦模型,并對模型的求解進行了理論分析,給出了模型存在全局最優(yōu)解的證明。仿真實驗與實際數(shù)據的實驗驗證了 MLMC-RA算法的有效性。2.論文提出了非線性矩陣補全的推薦算法（Non-Linear Matrix Completion based Recommend Algorithm,NLMC-RA）。該算法先利用核主成分... 

【文章來源】：南京師范大學江蘇省 211工程院校

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

圖２．１仿真實驗１、２、３??從圖２．１中可以看出，論文提出的方法幾乎比其他三種方法都要有效，并且??

２．?４．?２真實數(shù)據實驗??這一部分采用的數(shù)據為現(xiàn)實世界真實存在的數(shù)據，論文使用了?ＭｏｖｉｅＬｅｎｓ這??一數(shù)據庫。該數(shù)據庫可從（ｈｔｔｐｓ：／／ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｄａｔａｓｅｔｓ／ｍｏｖｉｅｌｅｎｓ／）下載獲得，本??次試驗中的數(shù)據包含了?１０００００條用戶評分，每條評分記錄為整數(shù)１到５，一共??包括了?９４３個用戶和１６８２部電影的信息。并且每一部電影都有２０條特征信息如??類別或是發(fā)行時間，每個用戶都包含了?２４條特征信息包括年齡性別職業(yè)等。在??實驗中，論文分別按信息缺失率為２０％、３０％、４０％、５０％的情況進行實驗，各??個算法得到的ＲＭＳＥ如表２．３所示，結果顯示我們的結果幾乎要比其他幾種方??表２．３在ＭｏｖｉｅＬｅｎｓ上的實驗結果??＾信Ｓ缺失率??２０％?３０％?４０％?５０％??ＲＭＳＥ??Ｐｒｏｐｏｓｅｄ?０．２７６?０．２７９?０．２８４?０．２９２??

２．５本章小結??本章節(jié)提出了一個基于輔助信息的矩陣補全模型，該模型利用了雙線性關系??與單邊線性相結合的方式，利用行記錄與列記錄的輔助特征信息進行預測并補全??觀測矩陣中缺失的記錄。該方法同時使用了線性模型的預測能力和具有相互關系??下的雙線性模型的預測能力，使得算法具有更好的效果。同時又用理論證明分析??了該算法的收斂性，區(qū)別于經典的ＢＣＤ算法來解決矩陣補全問題，說明了使用??算法１的解是全局最優(yōu)解。同時通過實驗闡述了該方法在擬合數(shù)據和真實數(shù)據上??的表現(xiàn)是要優(yōu)于其他三種己知的同樣利用輔助信息的方法的。??本章內容己發(fā)表于中國科技大學學報２０１９年第４９卷第４期（第一作者）。??

【參考文獻】：
期刊論文
[1]基于社交信息和物品曝光度的矩陣分解推薦[J]. 韓勇,寧連舉,鄭小林,林煒華,孫中原.  浙江大學學報(工學版). 2019(01)
[2]異常值自識別的低秩矩陣補全方法[J]. 李可欣,徐彬,高克寧.  計算機科學與探索. 2019(08)
[3]一種基于矩陣分解的上下文感知POI推薦算法[J]. 彭宏偉,靳遠遠,呂曉強,王曉玲.  計算機學報. 2019(08)
[4]基于矩陣補全的二階統(tǒng)計量重構DOA估計方法[J]. 王洪雁,房云飛,裴炳南.  電子與信息學報. 2018(06)
[5]基于屬性優(yōu)化矩陣補全的抗托攻擊推薦算法[J]. 周宇軒,陳蕾,張涵峰.  計算機應用研究. 2019(03)
[6]利用輔助信息進行矩陣補全的核方法及其在多標記學習中的應用[J]. 徐淼,周志華.  中國科學:信息科學. 2018(01)
[7]基于隨機奇異值分解的快速矩陣補全算法及其應用[J]. 馮栩,李可欣,喻文健,黎耀航.  計算機輔助設計與圖形學學報. 2017(12)
[8]基于社交關系和條件補全的協(xié)同過濾推薦算法[J]. 張為民,李坷露,李永麗.  吉林大學學報(理學版). 2017(05)
[9]基于矩陣分解的社交網絡正則化推薦模型[J]. 林曉勇,代苓苓,史晟輝,李芳.  計算機系統(tǒng)應用. 2016(01)
[10]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]. 李聰,駱志剛.  自動化學報. 2011(09)

博士論文
[1]面向稀疏數(shù)據的多視圖個性化推薦方法研究[D]. 袁衛(wèi)華.山東師范大學 2018
[2]基于圖的大規(guī)模半監(jiān)督學習算法及應用研究[D]. 劉斌.電子科技大學 2017
[3]低秩模型重構的理論與應用[D]. 游慶山.電子科技大學 2017
[4]基于低秩矩陣估計的機器學習算法分析[D]. 胡堯.浙江大學 2015
[5]矩陣補全的模型、算法和應用研究[D]. 徐芳芳.上海交通大學 2014

碩士論文
[1]面向在線交友領域的互惠推薦算法研究[D]. 殷方勇.山東師范大學 2017
[2]基于社交關系與矩陣補全的協(xié)同過濾的推薦算法研究[D]. 李坷璐.吉林大學 2017
[3]基于集成學習的學習者反應矩陣補全方法研究[D]. 肖智兵.華中師范大學 2017
[4]基于權重調節(jié)的矩陣補全協(xié)同過濾算法研究[D]. 賀嘉楠.吉林大學 2016
[5]矩陣補全問題中的Bregman迭代新算法[D]. 孟秀麗.中國石油大學(華東) 2015



本文編號：3347234