推薦系統(tǒng)是數(shù)據(jù)挖掘等相關(guān)領(lǐng)域的重要研究?jī)?nèi)容,可解決信息膨脹帶來(lái)的信息有效利用率驟降問(wèn)題,在商品推薦等方面有著廣泛的應(yīng)用�；谠u(píng)分矩陣的推薦系統(tǒng)存在數(shù)據(jù)稀疏性、不可解釋性、同義詞性、冷啟動(dòng)等缺陷;針對(duì)數(shù)據(jù)稀疏問(wèn)題,研究者利用稀疏矩陣的低秩性質(zhì)對(duì)矩陣進(jìn)行約束,以此對(duì)數(shù)據(jù)矩陣進(jìn)行補(bǔ)全求解,提出了基于矩陣補(bǔ)全技術(shù)的推薦算法。論文側(cè)重針對(duì)數(shù)據(jù)稀疏性問(wèn)題,圍繞基于矩陣補(bǔ)全的推薦算法開(kāi)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(bǔ)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(guān)系與用戶-物品的評(píng)分矩陣關(guān)系融合,構(gòu)建混合線性矩陣補(bǔ)全的推薦模型,并對(duì)模型的求解進(jìn)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(shí)驗(yàn)與實(shí)際數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證了 MLMC-RA算法的有效性。2.論文提出了非線性矩陣補(bǔ)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(lái)源】：南京師范大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１仿真實(shí)驗(yàn)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(shí)數(shù)據(jù)實(shí)驗(yàn)??這一部分采用的數(shù)據(jù)為現(xiàn)實(shí)世界真實(shí)存在的數(shù)據(jù)，論文使用了?ＭｏｖｉｅＬｅｎｓ這??一數(shù)據(jù)庫(kù)。該數(shù)據(jù)庫(kù)可從（ｈｔｔｐｓ：／／ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｄａｔａｓｅｔｓ／ｍｏｖｉｅｌｅｎｓ／）下載獲得，本??次試驗(yàn)中的數(shù)據(jù)包含了?１０００００條用戶評(píng)分，每條評(píng)分記錄為整數(shù)１到５，一共??包括了?９４３個(gè)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(shí)間，每個(gè)用戶都包含了?２４條特征信息包括年齡性別職業(yè)等。在??實(shí)驗(yàn)中，論文分別按信息缺失率為２０％、３０％、４０％、５０％的情況進(jìn)行實(shí)驗(yàn)，各??個(gè)算法得到的ＲＭＳＥ如表２．３所示，結(jié)果顯示我們的結(jié)果幾乎要比其他幾種方??表２．３在ＭｏｖｉｅＬｅｎｓ上的實(shí)驗(yàn)結(jié)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(jié)??本章節(jié)提出了一個(gè)基于輔助信息的矩陣補(bǔ)全模型，該模型利用了雙線性關(guān)系??與單邊線性相結(jié)合的方式，利用行記錄與列記錄的輔助特征信息進(jìn)行預(yù)測(cè)并補(bǔ)全??觀測(cè)矩陣中缺失的記錄。該方法同時(shí)使用了線性模型的預(yù)測(cè)能力和具有相互關(guān)系??下的雙線性模型的預(yù)測(cè)能力，使得算法具有更好的效果。同時(shí)又用理論證明分析??了該算法的收斂性，區(qū)別于經(jīng)典的ＢＣＤ算法來(lái)解決矩陣補(bǔ)全問(wèn)題，說(shuō)明了使用??算法１的解是全局最優(yōu)解。同時(shí)通過(guò)實(shí)驗(yàn)闡述了該方法在擬合數(shù)據(jù)和真實(shí)數(shù)據(jù)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(nèi)容己發(fā)表于中國(guó)科技大學(xué)學(xué)報(bào)２０１９年第４９卷第４期（第一作者）。??

【參考文獻(xiàn)】：
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(xué)學(xué)報(bào)(工學(xué)版). 2019(01)
[2]異常值自識(shí)別的低秩矩陣補(bǔ)全方法[J]. 李可欣,徐彬,高克寧.  計(jì)算機(jī)科學(xué)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(yuǎn)遠(yuǎn),呂曉強(qiáng),王曉玲.  計(jì)算機(jī)學(xué)報(bào). 2019(08)
[4]基于矩陣補(bǔ)全的二階統(tǒng)計(jì)量重構(gòu)DOA估計(jì)方法[J]. 王洪雁,房云飛,裴炳南.  電子與信息學(xué)報(bào). 2018(06)
[5]基于屬性優(yōu)化矩陣補(bǔ)全的抗托攻擊推薦算法[J]. 周宇軒,陳蕾,張涵峰.  計(jì)算機(jī)應(yīng)用研究. 2019(03)
[6]利用輔助信息進(jìn)行矩陣補(bǔ)全的核方法及其在多標(biāo)記學(xué)習(xí)中的應(yīng)用[J]. 徐淼,周志華.  中國(guó)科學(xué):信息科學(xué). 2018(01)
[7]基于隨機(jī)奇異值分解的快速矩陣補(bǔ)全算法及其應(yīng)用[J]. 馮栩,李可欣,喻文健,黎耀航.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(12)
[8]基于社交關(guān)系和條件補(bǔ)全的協(xié)同過(guò)濾推薦算法[J]. 張為民,李坷露,李永麗.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(05)
[9]基于矩陣分解的社交網(wǎng)絡(luò)正則化推薦模型[J]. 林曉勇,代苓苓,史晟輝,李芳.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2016(01)
[10]用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J]. 李聰,駱志剛.  自動(dòng)化學(xué)報(bào). 2011(09)

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

碩士論文
[1]面向在線交友領(lǐng)域的互惠推薦算法研究[D]. 殷方勇.山東師范大學(xué) 2017
[2]基于社交關(guān)系與矩陣補(bǔ)全的協(xié)同過(guò)濾的推薦算法研究[D]. 李坷璐.吉林大學(xué) 2017
[3]基于集成學(xué)習(xí)的學(xué)習(xí)者反應(yīng)矩陣補(bǔ)全方法研究[D]. 肖智兵.華中師范大學(xué) 2017
[4]基于權(quán)重調(diào)節(jié)的矩陣補(bǔ)全協(xié)同過(guò)濾算法研究[D]. 賀嘉楠.吉林大學(xué) 2016
[5]矩陣補(bǔ)全問(wèn)題中的Bregman迭代新算法[D]. 孟秀麗.中國(guó)石油大學(xué)(華東) 2015



本文編號(hào)：3347234