基于圖構(gòu)建與矩陣分解聯(lián)合學(xué)習(xí)的協(xié)同過(guò)濾算法研究.pdf

1、信息技術(shù)和網(wǎng)絡(luò)的發(fā)展，數(shù)據(jù)日益增長(zhǎng)，信息傳播速度加快，在給人們的生活生產(chǎn)帶來(lái)便利的同時(shí)，也出現(xiàn)了信息過(guò)載的負(fù)面影響。如何及時(shí)地從海量的數(shù)據(jù)中提取信息，成為人們關(guān)注的焦點(diǎn)問(wèn)題。推薦系統(tǒng)，作為一種信息過(guò)濾技術(shù)，通過(guò)挖掘用戶的行為，找到用戶的個(gè)性化需要，可以在信息過(guò)載的環(huán)境下完成信息發(fā)掘以及信息推送，成為研究的熱點(diǎn)。
　　推薦算法是推薦系統(tǒng)的核心，其中，協(xié)同過(guò)濾推薦算法因其推薦精度高、可擴(kuò)展性好，倍受學(xué)術(shù)界與工業(yè)界關(guān)注?；谠u(píng)分?jǐn)?shù)據(jù)的推

2、薦問(wèn)題是一類(lèi)重要的應(yīng)用問(wèn)題，研究者對(duì)推薦問(wèn)題進(jìn)行了深入的研究，提出了基于矩陣分解等有效的協(xié)同過(guò)濾算法。在基于矩陣分解的協(xié)同過(guò)濾算法中，在矩陣分解框架下嵌入用戶或物品間的局部相似性是改進(jìn)推薦算法性能的有效途徑。為此，在矩陣分解框架下，研究者對(duì)如何嵌入用戶或物品間相似性進(jìn)行了研究，但對(duì)矩陣分解和物品相似性聯(lián)合學(xué)習(xí)模型的構(gòu)建研究相對(duì)較少。因此，論文針對(duì)基于評(píng)分?jǐn)?shù)據(jù)的推薦問(wèn)題，圍繞物品間的局部相似性和矩陣分解聯(lián)合學(xué)習(xí)模型構(gòu)建展開(kāi)研究，主要研究工

3、作如下:
　　1.提出了嵌入物品相似度約束的矩陣分解協(xié)同過(guò)濾算法（SI-GMF）。該算法假設(shè):(1)局部相似的物品具有相似的隱語(yǔ)義特征;(2)物品的相似度最優(yōu)解在已知物品相似度的某個(gè)鄰域內(nèi)。依此假設(shè)，論文構(gòu)建出相應(yīng)的正則化項(xiàng)并嵌入到基于矩陣分解的協(xié)同過(guò)濾算法模型中，進(jìn)而通過(guò)聯(lián)合學(xué)習(xí)得到有效的物品相似度和隱語(yǔ)義特征向量。實(shí)驗(yàn)驗(yàn)證了SI-GMF算法的有效性。
　　2.提出了基于圖構(gòu)建與矩陣分解的推薦算法(SO-GMF)。該算法假

4、設(shè):(1)局部相似的物品具有相似的隱語(yǔ)義特征;(2)物品與其近鄰物品之間都有一定的相似程度。依此假設(shè)，SO-GMF算法通過(guò)圖來(lái)刻畫(huà)物品的近鄰相似度，通過(guò)熵約束來(lái)克服圖邊權(quán)的退化，進(jìn)而構(gòu)建出局部保持和熵約束的正則化項(xiàng)并嵌入到基于矩陣分解的協(xié)同過(guò)濾算法模型中，以此聯(lián)合學(xué)習(xí)圖邊權(quán)和隱語(yǔ)義特征向量。實(shí)驗(yàn)結(jié)果表明，SO-GMF算法提高了推薦的準(zhǔn)確性。
　　3.提出了基于圖構(gòu)建與L1正則矩陣分解的推薦算法(SO-SGMF)。針對(duì)評(píng)分?jǐn)?shù)據(jù)的稀疏