基于矩陣填充的網(wǎng)絡(luò)推薦算法研究.pdf

1、由于在英特網(wǎng)中有巨大的商業(yè)價(jià)值，推薦系統(tǒng)已經(jīng)吸引了各方注意，且已經(jīng)廣泛使用到了網(wǎng)絡(luò)環(huán)境中。為了能更好的提高商品的銷(xiāo)量，也為了能夠提高用戶(hù)的體驗(yàn)程度，越來(lái)越多的互聯(lián)網(wǎng)公司如Amazon,EBay,淘寶等依賴(lài)推薦系統(tǒng)通過(guò)對(duì)用戶(hù)的購(gòu)買(mǎi)進(jìn)行進(jìn)行記錄來(lái)預(yù)測(cè)用戶(hù)對(duì)其他物品的喜愛(ài)程度，預(yù)測(cè)后將評(píng)分高的商品推薦給用戶(hù)。盡管矩陣可以有效表示用戶(hù)與物品的互動(dòng)關(guān)系（比如用戶(hù)觀(guān)看電影后評(píng)分）然而在推薦系統(tǒng)中，低評(píng)估密度（少量用戶(hù)參與評(píng)分）和可伸縮性（新用戶(hù)與新

2、物品（商品、電影）的加入）是矩陣填充面臨的主要問(wèn)題。為了研究上述問(wèn)題，提出了一種快速且準(zhǔn)確度高的推薦算法——基于拆分的矩陣推薦方法，該方法利用局部敏感哈希函數(shù)來(lái)對(duì)用戶(hù)進(jìn)行實(shí)時(shí)管理，再使用矩陣填充技術(shù)來(lái)對(duì)用戶(hù)進(jìn)行相關(guān)推薦。本文主要研究點(diǎn)如下：
　　1.利用局部敏感哈希函數(shù)的良好的性能特點(diǎn)，提出了oLSH的用戶(hù)管理方法。oLSH使用局部敏感哈希表來(lái)將系統(tǒng)中有相似興趣愛(ài)好的用戶(hù)記錄在相近的位置。oLSH的關(guān)鍵是使用多個(gè)局部敏感哈希函數(shù)，

3、通過(guò)計(jì)算使得興趣相似的用戶(hù)能夠高概率的將相似的用戶(hù)放入到同一個(gè)局部敏感哈希桶中。與傳統(tǒng)的基于內(nèi)存的方法需要對(duì)數(shù)據(jù)進(jìn)行二次查詢(xún)才能找到相似用戶(hù)不同，oLSH可以實(shí)現(xiàn)在線(xiàn)對(duì)相似用戶(hù)進(jìn)行查詢(xún)。
　　2.基于oLSH用戶(hù)管理方法，提出基于拆分的矩陣推薦方法來(lái)對(duì)用戶(hù)進(jìn)行推薦。oLSH用戶(hù)管理方法將原始矩陣分解為多個(gè)子矩陣，子矩陣中的用戶(hù)興趣愛(ài)好更加相似有著更高的相關(guān)性，使得使用矩陣填充方法在對(duì)子矩陣進(jìn)行填充時(shí)的效果更加準(zhǔn)確。為了進(jìn)一步的降低

4、子矩陣的維度，提高子矩陣的采樣率，該方法使用實(shí)驗(yàn)得出閾值使得子矩陣中與目標(biāo)用戶(hù)不是很相關(guān)的列進(jìn)行刪除。與利用原始矩陣進(jìn)行矩陣填充的推薦方法相比，利用該方法進(jìn)行分解后的矩陣具有更高的準(zhǔn)確性。
　　將該方法在開(kāi)源數(shù)據(jù)集MovieLens中進(jìn)行實(shí)驗(yàn)。通過(guò)實(shí)驗(yàn)證明，基于拆分的矩陣推薦方法能夠提供更好的推薦正確率。在基于拆分的矩陣推薦方法中由于將相似的用戶(hù)放入到同一個(gè)桶中，并且桶與桶之間相互獨(dú)立沒(méi)有聯(lián)系，每個(gè)子矩陣可以單獨(dú)的進(jìn)行數(shù)據(jù)恢復(fù)，因