自編碼網(wǎng)絡(luò)在協(xié)同過(guò)濾評(píng)分預(yù)測(cè)中的研究與應(yīng)用.pdf

1、本文目的在于針對(duì)協(xié)同過(guò)濾評(píng)分預(yù)測(cè)中的稀疏性問(wèn)題，探索準(zhǔn)確率更高的評(píng)分預(yù)測(cè)方法，為高質(zhì)量推薦的產(chǎn)生提供保障。對(duì)于稠密的評(píng)分矩陣，各種推薦算法均能取得不錯(cuò)的效果，但隨著用戶(hù)數(shù)和項(xiàng)目數(shù)的增加，評(píng)分矩陣的稀疏性問(wèn)題開(kāi)始突顯，推薦算法的性能也受到不同程度的影響。為降低評(píng)分矩陣的稀疏程度，緩解稀疏性問(wèn)題的影響，一種有效的方法是在推薦過(guò)程中加入對(duì)空缺值的評(píng)分預(yù)測(cè)。因?yàn)閰f(xié)同過(guò)濾算法直接依賴(lài)評(píng)分矩陣，在對(duì)矩陣的空缺值進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)準(zhǔn)確率的高低將決定推薦

2、質(zhì)量的好壞。但傳統(tǒng)的評(píng)分預(yù)測(cè)往往忽視時(shí)間效應(yīng)，在近鄰的選擇過(guò)程中沒(méi)有體現(xiàn)出時(shí)間對(duì)用戶(hù)的影響，在建模階段未能深入挖掘用戶(hù)評(píng)分背后的潛在興趣，導(dǎo)致預(yù)測(cè)結(jié)果不夠準(zhǔn)確，難以保證后續(xù)推薦序列的質(zhì)量。
　　針對(duì)該問(wèn)題，本文主要思路為在相似度計(jì)算中加入時(shí)間因素的影響，結(jié)合評(píng)分?jǐn)?shù)據(jù)冗余且分布不平衡的特點(diǎn)，優(yōu)化近鄰的篩選，并采用自編碼網(wǎng)絡(luò)來(lái)提取用戶(hù)評(píng)分的隱含特征，保證評(píng)分預(yù)測(cè)的準(zhǔn)確度。構(gòu)建的自編碼網(wǎng)絡(luò)評(píng)分預(yù)測(cè)模型得到的特征一方面近似表示評(píng)分信息，體

3、現(xiàn)用戶(hù)評(píng)分的隱含偏好；另一方面有助于將評(píng)分預(yù)測(cè)問(wèn)題轉(zhuǎn)換為多分類(lèi)問(wèn)題，從而得到解決。在此基礎(chǔ)上，通過(guò)調(diào)整輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)的連接狀態(tài)，緩解了稀疏性對(duì)評(píng)分預(yù)測(cè)的影響。此外，為了提高自編碼網(wǎng)絡(luò)的泛化能力，引入集成學(xué)習(xí)的Bagging算法構(gòu)建集成的自編碼網(wǎng)絡(luò)，對(duì)訓(xùn)練樣本的使用更加充分，更能發(fā)揮自編碼網(wǎng)絡(luò)的特征提取優(yōu)勢(shì)。
　　經(jīng)實(shí)驗(yàn)分析，考慮時(shí)間效應(yīng)的相似度計(jì)算有助于提高近鄰的質(zhì)量，使用自編碼網(wǎng)絡(luò)求解評(píng)分預(yù)測(cè)問(wèn)題，能挖掘出用戶(hù)評(píng)分中的隱