融合矩阵分解的多臂赌博机推荐算法

发布时间：2020-03-13 00:08

【摘要】：近几年,随着推荐系统广泛应用在各个领域,冷启动问题受到了越来越多的关注.本文针对只可获得用户对商品评价的情况,解决冷启动难题.大部分已有研究通常先构建用户和商品的静态特征,再采用多臂赌博机策略进行推荐,其缺点是没有深入提取和更新特征,限制了推荐性能.本文提出一种新的算法来解决特征提取问题,具体来说,根据用户对商品真实评价与预测评价的误差,使用矩阵分解算法更新用户和商品特征;再对新的特征使用多臂赌博机策略进行商品推荐.新算法很好地将多臂赌博机策略和矩阵分解算法结合起来,并有很强的通用性和可扩展性.最后,采用真实的数据集Movielens和Last.fm将本文算法与其他不采用上下文信息的最新方法进行比较,实验结果表明该方法在一定程度上提升了推荐性能.
【图文】：

．fm数据集，采用tf-idf思想，提取25个主题特征构建歌手特征向量［6］;用户初始特征是随机生成的25维列向量．5．4结果分析在本文中，为更好的显示不同的算法的性能，以随机推荐为基础，计算各个算法测试结果与随机推荐测试结果的比值，作为各个算法的相对测试结果，下文中都以相对测试结果进行分析．为使LinUCB算法与MFLinUCB算法有更好的可对比性，本文将MFLinUCB算法的特征个数设为与LinUCB算法相同．首先进行参数调优测试，以CTＲ(绝对值，非相对值)作为指标，衡量MFLinUCB算法的参数和对推荐结果的影响，如图1所示．图1参数β和η的影响Fig．1Impactofβandηparameter根据图1可知，参数β和η都会对推荐结果产生不同程度的影响．具体来说，Movielens数据集的β最优值为2．3;Last．fm数据集的最优值为2．35．参数η的走势与参数β相似，对于Movielens数据集，η的最优值为0．5;对于Last．fm数据集，η最优值为0．6．在后续对比实验中，对于MFLinUCB算法均采用上述最优值．在Movielens和Last．fm数据集上，以相对累计误差CumＲeg作为评价指标，各个算法的结果如图2所示．图2在Movielens和Last．fm数据集上各算法的相对CumＲeg值随迭代次数变化情况Fig．2Ｒesultsonmovielensandlast．fmdataset．Influenceofiterationsoncumulativeregretofthealgorithmtotherandom根据图2可知，在Movielens数据集上算法收敛速度最快，最优值为0．74;和相比，UCB算法的收敛速度略慢，最优12期成石等:融合矩阵分解的多臂赌博机推荐算法2757

作为指标，衡量MFLinUCB算法的参数和对推荐结果的影响，如图1所示．图1参数β和η的影响Fig．1Impactofβandηparameter根据图1可知，参数β和η都会对推荐结果产生不同程度的影响．具体来说，Movielens数据集的β最优值为2．3;Last．fm数据集的最优值为2．35．参数η的走势与参数β相似，对于Movielens数据集，η的最优值为0．5;对于Last．fm数据集，，η最优值为0．6．在后续对比实验中，对于MFLinUCB算法均采用上述最优值．在Movielens和Last．fm数据集上，以相对累计误差CumＲeg作为评价指标，各个算法的结果如图2所示．图2在Movielens和Last．fm数据集上各算法的相对CumＲeg值随迭代次数变化情况Fig．2Ｒesultsonmovielensandlast．fmdataset．Influenceofiterationsoncumulativeregretofthealgorithmtotherandom根据图2可知，在Movielens数据集上算法收敛速度最快，最优值为0．74;和相比，UCB算法的收敛速度略慢，最优12期成石等:融合矩阵分解的多臂赌博机推荐算法2757

【相似文献】

相关期刊论文 前10条

1 史加荣;郑秀云;周水生;;矩阵补全算法研究进展[J];计算机科学;2014年04期

2 李聪;骆志刚;;用于鲁棒协同推荐的元信息增强变分贝叶斯矩阵分解模型[J];自动化学报;2011年09期

3 袁运祥;基于矩阵分解的子结构法求解介绍[J];计算机应用通讯;1981年00期

4 张海建;;分布式矩阵分解算法在推荐系统中的研究与应用[J];科技通报;2013年12期

5 王锋;赵志文;牟盛;;整数提升小波多相矩阵分解系数的快速提取算法[J];中国图象图形学报;2012年03期

6 段华杰;;考虑时间效应的矩阵分解技术在推荐系统中的应用[J];微型电脑应用;2013年03期

7 王海雷;牟雁超;俞学宁;;基于协同矩阵分解的社会化标签系统的资源推荐[J];计算机应用研究;2013年06期

8 张爱文;樊红莲;;半离散矩阵分解改进算法在网页信息检索中的应用研究[J];黑龙江工程学院学报;2007年02期

9 李卫平;杨杰;;基于随机梯度矩阵分解的社会网络推荐算法[J];计算机应用研究;2014年06期

10 祝永健;陈琛;;一种新的异构网络中基于上下文相关的推荐模型[J];硅谷;2013年23期

相关博士学位论文 前7条

1 王中卿;基于文本信息的社会关系分析与研究[D];苏州大学;2016年

2 王啸;基于生成模型和矩阵分解的社区发现算法研究[D];天津大学;2015年

3 王科强;基于矩阵分解的个性化推荐系统[D];华东师范大学;2017年

4 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年

5 徐振兴;基于地理标注照片的景点推荐方法研究[D];浙江大学;2017年

6 陈根浪;基于社交媒体的推荐技术若干问题研究[D];浙江大学;2012年

7 杜世强;基于维数约简的无监督聚类算法研究[D];兰州大学;2017年

相关硕士学位论文 前10条

1 秦晓晖;个性化微博推荐方法研究[D];华南理工大学;2015年

2 刘凤林;基于矩阵分解的协同过滤推荐算法研究[D];南京理工大学;2015年

3 李源鑫;基于提升的信任融合矩阵分解推荐算法[D];福建师范大学;2015年

4 陈洪涛;基于矩阵分解的常规与长尾捆绑推荐的博弈研究[D];福建师范大学;2015年

5 张济龙;基于概率矩阵分解的推荐算法研究[D];燕山大学;2015年

6 邓志豪;基于物品相似度和主题回归的矩阵分解推荐算法[D];浙江大学;2015年

7 余露;利用矩阵分解算法建模数据稀疏环境下用户协同行为[D];杭州师范大学;2015年

8 倪泽明;混合用户行为建模的概率矩阵分解推荐算法[D];浙江大学;2015年

9 吴世伟;社会网络中的链接分析[D];复旦大学;2014年

10 孙伟彬;基于高维显性特征的矩阵分解推荐[D];大连理工大学;2015年

本文编号：2586646