結合時間序列的協(xié)同主題回歸推薦算法研究.pdf

1、隨著信息過載的產(chǎn)生，在越來越開放的互聯(lián)網(wǎng)中，想要獲取我們真正需要的信息變得越來越困難，個性化推薦的出現(xiàn)有效地解決了信息過載的問題，主動為用戶推薦其感興趣的信息和商品。協(xié)同過濾是個性化推薦中使用最廣泛的方法，但由于協(xié)同過濾通常只將用戶-項目評分作為推薦的唯一數(shù)據(jù)信息，因此存在冷啟動、數(shù)據(jù)稀疏等問題。
　　本文在一個結合主題模型(LDA)和矩陣分解模型(PMF)的分層貝葉斯模型——協(xié)同主題回歸模型(CTR)的基礎上，使用其中的主題模型

2、對項目的標簽信息進行處理，并對概率矩陣分解模型進行改進，不僅考慮用戶-項目的評分信息，還將用戶的信任關系、時間序列、項目的標簽信息等其他對推薦具有影響的因素加入到模型中。用戶可以根據(jù)好友及其信任用戶的推薦選擇自己感興趣的商品，基于時間因素的用戶評價先后關系也會對用戶的選擇產(chǎn)生影響，將時間序列對用戶關系的影響與好友間的信任度線性融合并加入到PMF模型中，生成用戶潛在特征向量。此外用戶對項目定義的標簽信息在一定程度上也可以反映用戶的偏好，因

3、此利用主題模型LDA處理項目的標簽文本信息得到項目的潛在特征向量。最后將改進的LDA和PMF模型的特點融合在CTR模型中，根據(jù)CTR模型的原理提出N-CTR模型，并采用梯度下降方法和最大期望算法最優(yōu)化用戶、項目潛在特征矩陣和主題分布向量，進行評分預測。
　　在Last.fm數(shù)據(jù)集上進行實驗，實驗結果顯示混合了用戶信任關系、時間序列、項目標簽信息和評分數(shù)據(jù)等多因素的N-CTR模型的推薦準確率MAE和RMSE比只采用用戶-項目評分數(shù)據(jù)