基于概率矩陣分解的個性化推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)信息的快速增長，個性化的推薦系統(tǒng)對工業(yè)界和學術界的發(fā)展都有著重要的作用。然而，在信息高速發(fā)展的時代，傳統(tǒng)的推薦系統(tǒng)面臨著一系列的挑戰(zhàn)，不僅其自身算法存在一些難以解決的問題如數(shù)據(jù)稀疏性、冷啟動、難以擴展等，而且傳統(tǒng)的個性化推薦系統(tǒng)已難以滿足在大數(shù)據(jù)、信息爆炸的背景下人們對信息利用的需求。在很多實際的應用場景中，推薦系統(tǒng)中的數(shù)據(jù)除了用戶-項目的評分信息外，還有用戶之間的社會關系、項目的內(nèi)容信息、時間信息等一些類似的輔助信息。如何在

2、推薦系統(tǒng)中融入有用的輔助信息提高推薦的精度、改善傳統(tǒng)推薦系統(tǒng)存在的難題是一個很重要的問題。
　　本文在分析推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀的基礎上，發(fā)現(xiàn)基于概率矩陣分解的方法應用在推薦系統(tǒng)中能表現(xiàn)出很好的性能，而用戶之間的社會關系引入到推薦系統(tǒng)中能解決傳統(tǒng)推薦系統(tǒng)中數(shù)據(jù)稀疏、冷啟動的問題。但是實際中用戶之間的關系是多樣化和隱式存在的，需要通過挖掘用戶之間的行為才能獲得。而且隨著微博、微信、標簽系統(tǒng)等以分享內(nèi)容為形式的推薦系統(tǒng)的出現(xiàn)，能融入

3、推薦系統(tǒng)中的信息也迅速增長，利用這些豐富的信息能帶來更準確的推薦，能提高用戶的體驗度?；ヂ?lián)網(wǎng)中還有時間等各種信息對改進推薦系統(tǒng)的性能提供了一個很好的素材。因此，本文引入概率矩陣分解模型以結(jié)合這些輔助信息分析解決推薦系統(tǒng)存在的問題。
　　針對推薦數(shù)據(jù)中包含的用戶之間的關系和項目的多種內(nèi)容信息，我們結(jié)合概率矩陣分解模型和話題模型LDA提出了SC-PMF算法，在預測的基礎上給用戶進行推薦?；谔岢龅腟C-PMF推薦算法，我們在Bibso

4、nomy和CiteUlike兩個數(shù)據(jù)集上進行了實驗分析。實驗表明在共享信息多的Bibsonomy數(shù)據(jù)集中，用戶表現(xiàn)出的興趣偏向受社會影響的程度更為明顯。而且實驗展示的項目內(nèi)容信息越豐富，模型表現(xiàn)出的性能就越好。因此，實驗表明用戶之間的社會關系和項目的多種內(nèi)容信息的利用能有效的改善改進推薦算法的性能。
　　針對推薦數(shù)據(jù)中擁有的時間信息，我們在原有的評分矩陣的基礎上加入社會關系、時間信息得到用戶-用戶-時間和用戶-項目-時間的關系矩陣

5、，利用概率矩陣分解模型實現(xiàn)了PMFST這一方法，然后在此基礎上進行實時推薦。同時，我們還利用了項目中的類別信息，提出了一個基于層次推薦的框架。我們先根據(jù)項目的類別對項目進行劃分，利用我們提出的融入的社會關系、時間信息的概率矩陣模型PMFST為用戶推薦項目的類別，然后針對每類為用戶推薦項目。基于層次推薦的框架不僅減少了需要同時計算大量數(shù)據(jù)的時間，而且在微觀意義上縮小了數(shù)據(jù)的規(guī)模，使得模型易于擴展，能很好地適應當下這一大數(shù)據(jù)時代環(huán)境。同時，