基于因式分解機模型的上下文感知推薦系統(tǒng)研究.pdf

1、推薦系統(tǒng)是一門涵蓋了多個學(xué)科內(nèi)容，始于90年代中期關(guān)于協(xié)同過濾算法研究，之后便開始作為一門獨立的研究領(lǐng)域走進研究者的視野。目前，關(guān)于傳統(tǒng)的推薦系統(tǒng)已經(jīng)有很充分的研究，根據(jù)推薦系統(tǒng)產(chǎn)生的方法差異，將其分為基于內(nèi)容的推薦，協(xié)同過濾推薦和混合推薦三大類別。不同的項目可使用不同的推薦方法，或者是混合使用，這得到了越來越多的研究者的共識。同時，研究者發(fā)現(xiàn)了推薦系統(tǒng)的冷啟動問題、數(shù)據(jù)稀疏問題、推薦解釋等問題，分別提出了諸如：標(biāo)簽法、社交網(wǎng)絡(luò)法、矩陣

2、分解法、貝葉斯推理法等方法。然而，伴隨著個性化需求的不斷發(fā)展，如何針對每一個用戶給出合理、適當(dāng)?shù)耐扑]，成為推薦系統(tǒng)任務(wù)的重中之重。因此，上下文感知推薦應(yīng)運而生。上下文感知推薦，在擁有傳統(tǒng)推薦系統(tǒng)的優(yōu)點的同時，考慮時間、地點、同伴等上下文信息，這些改進措施提高了推薦預(yù)測的準(zhǔn)確度，更好地滿足了用戶的個性化需求，提高了推薦系統(tǒng)的信任度，近幾年也漸漸受到研究者的重視。
　　本研究主要內(nèi)容包括：⑴提出上下文層次化因式分解機模型，該模型對因式

3、分解機模型進行改進，考慮上下文信息的同時，對上下文進行層次化處理，增強了評分數(shù)據(jù)之間的整體關(guān)系，更有效的提高評分預(yù)測。⑵提出混合logistic函數(shù)和貝葉斯方法的因式分解機模型。該模型在對因式分解機模型貝葉斯處理的基礎(chǔ)上，進一步的對伽馬函數(shù)的形狀參數(shù)進行l(wèi)ogistic函數(shù)處理，更好的區(qū)分不同特征參數(shù)，從而提高評分預(yù)測精度。⑶在多個數(shù)據(jù)集上做了對比實驗，實驗證實了本文提出的改進的因式分解機模型具有線性的時間復(fù)雜度，較高的預(yù)測精度，以及較