基于潛在向量模型與項(xiàng)目的協(xié)同過(guò)濾混合推薦.pdf

1、隨著互聯(lián)網(wǎng)在日常生活與工作的普及應(yīng)用，面對(duì)眼前混雜有大量垃圾信息及無(wú)意義信息的海量數(shù)據(jù)，給我們帶來(lái)了篩選出有效信息的巨大難題。為了解決信息過(guò)載問(wèn)題，個(gè)性化推薦越來(lái)越被人所注重，通過(guò)對(duì)用戶(hù)行為信息、網(wǎng)站信息內(nèi)容等，利用知識(shí)發(fā)現(xiàn)、過(guò)濾篩選等機(jī)器學(xué)習(xí)算法，主動(dòng)對(duì)垃圾信息進(jìn)行過(guò)濾，猜用戶(hù)喜歡什么。隨著web2.0的興盛發(fā)展以及web3.0概念的倡導(dǎo)和實(shí)踐，用戶(hù)更多地參與網(wǎng)站系統(tǒng)、信息產(chǎn)品的創(chuàng)造、傳播和分享。越來(lái)越多社會(huì)化網(wǎng)站開(kāi)始收集用戶(hù)對(duì)網(wǎng)站內(nèi)

2、容、項(xiàng)目有效的顯式和隱式反饋，并對(duì)其分析預(yù)處理，應(yīng)用統(tǒng)計(jì)學(xué)、概率論、模式識(shí)別等技巧建立數(shù)學(xué)模型，并結(jié)合計(jì)算機(jī)算法的處理能力，分析人類(lèi)的慣性思維及個(gè)性化行為，實(shí)現(xiàn)很多工具的智能化且個(gè)性化的推薦，讓系統(tǒng)為用戶(hù)主動(dòng)“思考”。
　　 本文對(duì)推薦系統(tǒng)的概念、架構(gòu)、作用從宏觀上進(jìn)行介紹，并主要圍繞推薦系統(tǒng)核心算法對(duì)它進(jìn)行研究與改進(jìn)，并從準(zhǔn)確率上對(duì)算法提升效果進(jìn)行驗(yàn)證。協(xié)同過(guò)濾是推薦系統(tǒng)常常采用的一種有效算法，在推薦準(zhǔn)確性、多樣性與拓展性上有

3、很好的表現(xiàn)。在實(shí)際系統(tǒng)中，用戶(hù)間的獨(dú)立行為是普遍聯(lián)系的，所以可以利用用戶(hù)“協(xié)作”的思想，去猜測(cè)用戶(hù)還可能喜歡什么，得到最終的推薦結(jié)果。協(xié)同過(guò)濾算法分為基于內(nèi)存與基于模型兩種。其中，基于內(nèi)存的算法分為基于項(xiàng)目與基于用戶(hù)，對(duì)推薦過(guò)程具有良好的理論解釋性，但它不易挖掘出用戶(hù)的多興趣特征，因此在準(zhǔn)確率上存在局限。將潛在語(yǔ)義分析應(yīng)用到協(xié)同過(guò)濾算法中，可以不需要利用外部知識(shí)，而是直接對(duì)評(píng)分矩陣?yán)脭?shù)學(xué)統(tǒng)計(jì)模型構(gòu)造潛在語(yǔ)義向量空間結(jié)構(gòu)，能夠主動(dòng)發(fā)現(xiàn)用

4、戶(hù)(或項(xiàng)目間)的潛在語(yǔ)義關(guān)系，能夠發(fā)現(xiàn)用戶(hù)的潛在興趣。
　　 本文首先研究了最近鄰算法的兩種形式：根據(jù)評(píng)分向量以及佩爾森距離公式計(jì)算相似度、梯度下降法回歸學(xué)習(xí)相似度參數(shù)，并對(duì)相似度計(jì)算以及最近鄰選擇算法進(jìn)行優(yōu)化，提高推薦準(zhǔn)確性的同時(shí)大大加快了運(yùn)行速度。除了對(duì)傳統(tǒng)最近鄰算法進(jìn)行改進(jìn)，本文著重研究了基于潛在語(yǔ)義模型的協(xié)同過(guò)濾推薦，并將其與基于項(xiàng)目的協(xié)同過(guò)濾結(jié)合起來(lái)，進(jìn)行混合推薦。第四章提出了一種新的混合推薦方式，它結(jié)合了基于高斯?jié)撛?/p>

5、語(yǔ)義分析模型和改進(jìn)的基于項(xiàng)目的協(xié)同過(guò)濾兩種算法，從用戶(hù)角度和項(xiàng)目角度計(jì)算綜合得到最終推薦預(yù)測(cè)值。第五章首先介紹應(yīng)用正則SVD計(jì)算對(duì)用戶(hù)評(píng)價(jià)矩陣進(jìn)行分解計(jì)算，再提出了帶偏差的基于特征分步梯度學(xué)習(xí)的正則化SVD分解，最后利用混合推薦的優(yōu)勢(shì)將knn算法與SVD算法結(jié)合起來(lái)，融合模型采用自適應(yīng)的方式對(duì)不同用戶(hù)進(jìn)行個(gè)性化的模型動(dòng)態(tài)參數(shù)選擇。為了驗(yàn)證協(xié)同過(guò)濾算法的改進(jìn)效果，利用movielens提供的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示改進(jìn)后的算法在推薦準(zhǔn)確