本文關(guān)鍵詞：基于高維顯性特征的矩陣分解推薦　出處：《大連理工大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 協(xié)同過濾 矩陣分解 顯性特征

【摘要】：隱含特征模型是協(xié)同過濾推薦算法中的重要部分。由于它只需利用用戶-條目的打分信息就能達(dá)到非常好的預(yù)測效果而廣為使用。通過特征分解,算法從簡單的評分矩陣獲得用戶與條目的特征向量。特征向量包含用戶和條目的隱含屬性,能夠?qū)ξ粗娜笔е颠M(jìn)行預(yù)測。由于該過程是將一個高維二維矩陣分解得到兩個低維特征矩陣,因此這種推薦算法也稱為矩陣分解推薦。矩陣分解推薦需要的信息類型比較單一,只需要用戶-條目的稀疏矩陣,因此適合特征比較少的情況。然而,矩陣分解整個特征化的過程完全是隱含的,用戶或條目特征向量的哪個維度具體代表哪個特征是完全不得而知的。因此,一些已觀測到的顯性特征很難加入到模型中�；诰仃嚪纸饽Ｐ�,在本文中我們提出了一個能夠?qū)⒁延^測的顯性特征整合到模型中的算法。該算法通過升維的方式整合顯性特征,從而提高了預(yù)測準(zhǔn)確性。本文的主要貢獻(xiàn)如下：(1)能夠捕捉到用戶對具有某些特征的條目偏好信息,根據(jù)偏好信息對用戶的特征向量做調(diào)整。(2)模型也適用于條目特征值具有多值的情況。(3)基本矩陣分解算法通過提升特征向量的維度來包含更多特征,這種方式不僅無法控制具體特征,而且會帶來過擬合問題。本文將特征的維度提升，且僅關(guān)注條目具有的特征而非全部特征,能夠較好解決過擬合問題。實驗結(jié)果證明,該算法優(yōu)于現(xiàn)有的基于矩陣分解的算法。
[Abstract]:Implicit feature model is an important part of collaborative filtering recommendation algorithm. It is widely used through feature decomposition because it can only use the user-item scoring information to achieve a very good prediction effect. The algorithm obtains the feature vectors of users and items from a simple scoring matrix, which contains the implicit attributes of users and items. The unknown missing values can be predicted because the process is to decompose a high-dimensional two-dimensional matrix into two low-dimensional characteristic matrices. Therefore, this recommendation algorithm is also called matrix factorization recommendation. Matrix decomposition recommendation requires a single type of information, only needs the sparse matrix of user-item, so it is suitable for the case of fewer features. The process of matrix decomposition is completely implicit, which dimension of the user or item feature vector is completely unknown. It is difficult to add some observed dominant features to the model based on matrix decomposition model. In this paper, we propose an algorithm to integrate observed dominant features into the model. The main contribution of this paper is as follows: 1) to capture user preferences for items with certain characteristics. The model is also suitable for the case where the item eigenvalue has multiple values. The basic matrix factorization algorithm includes more features by lifting the dimension of the feature vector. This approach can not only control the specific features, but also bring about the problem of over-fitting. This paper will enhance the dimension of features, and only focus on the features of the items, not all of the features. The experimental results show that the proposed algorithm is superior to the existing one based on matrix decomposition.
【學(xué)位授予單位】：大連理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.3;O151.21

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄂國康;;矩陣分解的一般定理及基本分析[J];西南民族學(xué)院學(xué)報(自然科學(xué)版);1991年04期

2 田鐘穎,嚴(yán)克明;矩陣分解在運動分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報;1989年04期

3 王群英;;矩陣分解方法的探究[J];長春工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2011年01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(yīng)用[J];科技通報;2013年12期

5 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

6 湯彬;段波;;伽馬測井分層解釋的單一系數(shù)分解法[J];物探化探計算技術(shù);1989年04期

7 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計算機(jī)科學(xué);2014年02期

8 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

9 賀超波;湯庸;沈玉利;石玉強(qiáng);;應(yīng)用非負(fù)值矩陣分解模型的社區(qū)挖掘方法[J];小型微型計算機(jī)系統(tǒng);2014年06期

10 胡家贛;尺度變換和矩陣分解的收斂性[J];計算數(shù)學(xué);1983年01期

相關(guān)會議論文 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(yīng)用[A];第九屆全國結(jié)構(gòu)工程學(xué)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(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會論文集[C];2000年

相關(guān)博士學(xué)位論文 前5條

1 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

2 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);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(xué);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(xué);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(xué);2012年

，

本文編號：1378851