集成多種附加信息的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，商品的種類越來越多，商品的信息結(jié)構(gòu)也越來越復(fù)雜，影響推薦系統(tǒng)性能的附加信息也隨之增長。附加信息是指除評(píng)分矩陣以外的文本、屬性、地理位置、時(shí)間等信息。如何在推薦系統(tǒng)中引入這些附加信息是當(dāng)前推薦系統(tǒng)研究的一個(gè)熱點(diǎn)。一種思路是將這些附加信息與評(píng)分矩陣統(tǒng)一數(shù)學(xué)建模，其不足之處是增加了模型的復(fù)雜度，降低了模型的可擴(kuò)展性。本文借鑒集成學(xué)習(xí)的思想，研究將多種附加信息集成，用于提高推薦系統(tǒng)的性能，主要做了以下幾方面的工作:
　　

2、首先，本文在CAT(Content+Attribute)算法的基礎(chǔ)上，分別實(shí)現(xiàn)了綜合物品內(nèi)容、物品屬性及用戶屬性等單一附加信息的推薦器。通過與PMF（概率矩陣分解）算法的實(shí)驗(yàn)對(duì)比，證明了引入附加信息的推薦器有更好的穩(wěn)定性與收斂性。
　　其次，本文將多個(gè)集成單一附加信息的推薦器的結(jié)果進(jìn)行集成融合，分別嘗試了自定義權(quán)重法、梯度下降學(xué)習(xí)權(quán)重法及Stacking法等三種集成策略。實(shí)驗(yàn)證明，集成多種附加信息的推薦結(jié)果比集成單一附加信息的推薦

3、器有更高的準(zhǔn)確性。與多個(gè)附加信息統(tǒng)一數(shù)學(xué)建模的方法相比，集成推薦具有更好的可擴(kuò)展性，有利于把更多的附加信息集成到推薦系統(tǒng)中。
　　最后，本文研究了用戶興趣遷移模式這種隱含的時(shí)間附加信息，提出先按用戶興趣遷移模式對(duì)用戶進(jìn)行聚類，再按聚類結(jié)果對(duì)原始評(píng)分矩陣進(jìn)行分割的推薦方法RUC(Recommendation by User Clustering)。實(shí)驗(yàn)結(jié)果證明，與基于原始評(píng)分矩陣的推薦結(jié)果相比，本方法具有更高的推薦準(zhǔn)確性和更好的性能