推薦系統(tǒng)的核心是推薦算法,協(xié)同過濾算法因其簡單、高效、穩(wěn)定的特點在所有推薦算法中備受青睞,也是目前推薦算法中應(yīng)用最廣泛最成功的推薦技術(shù)。但是在實際應(yīng)用場景下,隨著用戶和商品的不斷增長,協(xié)同過濾算法中的評分矩陣逐漸暴露出數(shù)據(jù)稀疏性和冷啟動問題,同時也忽略了評論文本中的大量信息。此外,協(xié)同過濾推薦算法僅利用淺層特征來訓(xùn)練模型,制約了推薦性能。近五年來隨著深度學(xué)習(xí)的崛起,掀起了人工智能的熱潮。在圖像識別領(lǐng)域、文本挖掘領(lǐng)域、語音識別領(lǐng)域均取得了突破性進(jìn)展,這也為提升推薦算法性能帶來可能。本文的主要工作包含以下兩個部分:（1）針對傳統(tǒng)協(xié)同過濾推薦算法中存在的冷啟動與數(shù)據(jù)稀疏性問題,以及在矩陣分解時降維程度主要依賴于先驗知識缺乏靈活性這一弊端,提出了融入奇異值能量的協(xié)同過濾算法（SVE-CF）。首先在數(shù)據(jù)預(yù)處理過程中計算出用戶-項目評分矩陣的噪聲率,根據(jù)噪聲率確定評分矩陣替換程度,再利用奇異值能量求得近似評分矩陣,最后通過矩陣因子分解模型將近似矩陣中的用戶和商品映射到同一隱空間,確定兩者之間的交互,實現(xiàn)了基于評分的推薦。在公共數(shù)據(jù)集Movie Lens上驗證SVE-CF模型和多個傳統(tǒng)推薦算法效果,... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：56 頁

【學(xué)位級別】：碩士

【部分圖文】：

推薦系統(tǒng)工作原理圖

圖 2-2 基于內(nèi)容的推薦系統(tǒng)結(jié)構(gòu)該模型中，一般使用余弦相似度來計算兩個物品的相似度，相似度取值范圍為[0,1]，值越接近 1 表示越相似，其表達(dá)示如下： ,= | | | |(2.8)式中 ,表示物品 a 和 b 的相似度，a 和 b 分別表示物品 a 和 b 的向量化特征形式。另一種近似度表示方法是余弦相似度，這種表示考慮了用戶評分平均值之間的差異，因而其做法是在評分值中減去平均值，改進(jìn)之后的取值范圍變成了[-1,1],和 Pearson 相關(guān)系數(shù)一樣，改進(jìn)后的表達(dá)式如下： ,=∑ (,)(,)∑ (,) ∑ (,)(2.9)式中 ,表示物品 a 和 b 的相似度， 表示用戶 u 的平均評分，,表示用戶 u 對物品 a的評分。計算出物品之間的相似度后，根據(jù)相似度從高到低選擇前 N 個物品出來，利用下式

陣因子分解模型于用戶的推薦算法和基于物品的推薦算法可以看成是高質(zhì)量輸入的顯示反饋，子分解模型(Singular Value Decomposition ,SVD)[49-51]則是從比較豐富的隱式反測用戶的愛好，即通過用戶的歷史行為間接獲得用戶的偏好。矩陣因子分解模和用戶映射到同一隱空間，并試圖通過描述產(chǎn)品和用戶兩種實體在隱因子上的來預(yù)測評分，這些隱因子是根據(jù)用戶的反饋自動推斷出來的。這些隱因子能夠測到的評分。于SVD的協(xié)同過濾算法在數(shù)學(xué)上的本質(zhì)屬于一個降維的過程，其具體數(shù)學(xué)定義意矩陣A×，總能將A分解成三個矩陣的乘積。即：A = U × Σ × 。其中U為的正交陣，Σ為 M 行 N 列的對角陣，并且它主對角線上的元素從上到下依次遞， 這 樣 Σ 便 由×唯 一 確 定 ， 其 主 對 角 線 元 素 稱 為 奇 異 值 。 即 ： , , , , )且( > > > > ), 為 N 行 N 列的正交陣。其下：

【參考文獻(xiàn)】：
期刊論文
[1]關(guān)聯(lián)規(guī)則推薦的高效分布式計算框架[J]. 李昌盛,伍之昂,張璐,曹杰.  計算機(jī)學(xué)報. 2019(06)
[2]基于共享知識模型的跨領(lǐng)域推薦算法[J]. 李林峰,劉真,魏港明,任爽,葛夢凡.  電子學(xué)報. 2018(08)
[3]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[4]融合評分矩陣與評論文本的商品推薦模型[J]. 李琳,劉錦行,孟祥福,蘇暢,李鑫,鐘珞.  計算機(jī)學(xué)報. 2018(07)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[6]基于用戶評分和評論信息的協(xié)同推薦框架[J]. 譚云志,張敏,劉奕群,馬少平.  模式識別與人工智能. 2016(04)
[7]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計算機(jī)學(xué)報. 2016(08)
[8]一種基于多正則化參數(shù)的矩陣分解推薦算法[J]. 張航,葉東毅.  計算機(jī)工程與應(yīng)用. 2017(03)
[9]社會化推薦系統(tǒng)研究[J]. 孟祥武,劉樹棟,張玉潔,胡勛.  軟件學(xué)報. 2015(06)
[10]大數(shù)據(jù)時代的個人隱私保護(hù)[J]. 劉雅輝,張鐵贏,靳小龍,程學(xué)旗.  計算機(jī)研究與發(fā)展. 2015(01)

博士論文
[1]融合上下文信息的混合協(xié)同過濾推薦算法研究[D]. 紀(jì)科.北京交通大學(xué) 2016
[2]基于協(xié)同過濾的推薦算法研究[D]. 劉青文.中國科學(xué)技術(shù)大學(xué) 2013
[3]基于協(xié)同過濾技術(shù)的推薦方法研究[D]. 郁雪.天津大學(xué) 2009
[4]推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D]. 郭艷紅.大連理工大學(xué) 2008
[5]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D]. 孫小華.浙江大學(xué) 2005

碩士論文
[1]機(jī)器學(xué)習(xí)中隱式因子模型及其優(yōu)化算法研究[D]. 楊逍.哈爾濱工業(yè)大學(xué) 2013



本文編號：2996415