基于概率矩阵分解的多指标推荐算法研究

发布时间：2017-04-09 19:12

  本文关键词：基于概率矩阵分解的多指标推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：协同过滤算法是推荐系统中应用和研究较多的经典方法,传统协同过滤算法的主要思想是基于用户对项目的单一综合评分挖掘用户的兴趣并为其做出推荐。然而已有研究表明基于单一评分的方法并不能很好刻画用户的根本兴趣,于是基于多指标评分的推荐技术被提出和使用。这种方法的核心思想是利用用户对项目不同维度的指标评分,对用户建立兴趣模型,为用户推荐提供更加精准的项目列表。当前关于多指标推荐算法研究较少,大都受到数据规模和数据稀疏性的影响,已有相关研究可以分为三类:1)将多指标评分推荐问题分解成单一指标评分问题,然后对每一维指标采用已有的任意协同推荐算法进行预测,然后再将预测结果进行综合作为最终的综合评分预测,该方法缺点是预先假设用户对每维指标偏好程度一样,现实情况是用户对不同指标偏好程度可能是不一致的。2)利用聚合函数将综合评分表示成多指标评分的线性关系,然后利用统计或机器学习的方法得到聚合函数,然后进行预测和推荐,该方法缺点是容易受到训练数据的稀疏性或噪音影响。3)简单的聚类方法,利用潜在语义分析的方法对用户进行潜在语义分析,该方法仅仅考虑了多指标对用户的影响,而忽略了多指标对项目也同样具有影响。针对以上多指标推荐算法研究还存在不足的问题,本文提出一种基于概率矩阵分解的多指标推荐算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization,MCPMF)尝试解决这些问题。本课题将传统推荐算法矩阵分解中用户-项目关系考虑成三种关系,即用户-多指标关系,项目-多指标关系以及用户-项目关系。借助矩阵分解的思想能降低数据噪音和大规模数据的影响。通过假设三种关系的数据潜在分布都服从高斯分布,然后将多指标对用户和对项目的影响考虑成一个权重矩阵。本课题提出了两种权重矩阵的计算方法,一种是基于多指标评分的协方差矩阵;另一种假设多指标对用户和项目的影响分布服从高斯分布,且两种影响相互独立,将两种影响的联合分布表示成对用户和项目都产生影响的权重矩阵。MCPMF中用户和项目的特征矩阵通过梯度下降法迭代学习得到。在采集到的大众美食点评和携程旅游景点点评两个真实数据集上的实验表明,MCPMF模型与传统针对单一指标模型算法相比,预测精度有一定的提高,与针对多指标的(如:FGPLSA)算法相比也有提高,并且能降低数据稀疏性所带来的影响。本文的主要贡献有:1)对多指标权重矩阵的处理,通过两种权重计算方法来考虑多指标。2)对多指标权重矩阵与用户(项目)特征向量的融合处理,通过假设用户(项目)的潜在分布都会受到多指标的影响,利用概率矩阵分解的思想来处理。3)算法对稀疏数据的适应,利用概率矩阵分解的思想,在一定程度上解决了算法过拟合的问题。
【关键词】：多指标 推荐系统 协同过滤 概率矩阵分解
【学位授予单位】：西南科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-9
• 1. 绪论9-15
• 1.1 研究背景及意义9-13
• 1.2 研究的目标和内容13-14
• 1.3 论文的章节安排14-15
• 2. 推荐系统算法综述15-24
• 2.1 协同过滤推荐算法15-17
• 2.2 矩阵分解模型17-19
• 2.3 多指标评分推荐算法19-23
• 2.3.1 基于相似度方法扩展标准的协同过滤技术19-20
• 2.3.2 基于聚合函数的方法20-22
• 2.3.3 基于聚类的思想22
• 2.3.4 其他方法22-23
• 2.4 本章小结23-24
• 3. 多指标概率矩阵分解算法24-37
• 3.1 问题定义24-25
• 3.2 概率矩阵分解PMF25-28
• 3.2.1 矩阵分解25-27
• 3.2.2 概率矩阵分解27-28
• 3.3 多指标概率矩阵分解28-36
• 3.3.1 基于多指标评分概率分布(MCPMF1)30-31
• 3.3.2 基于多指标评分协方差矩阵(MCPMF2)31-32
• 3.3.3 多指标概率矩阵分解32-36
• 3.4 本章小结36-37
• 4. 实验结果与分析37-49
• 4.1 推荐系统实验方法介绍37-38
• 4.2 评价指标38-41
• 4.3 数据集介绍41-42
• 4.4 实验设计与对比方法42-43
• 4.5 实验结果和分析43-48
• 4.5.1 实验 1-参数对算法的影响43-44
• 4.5.2 实验 2-相关算法对比分析44-47
• 4.5.3 实验 3-数据稀疏性对算法的影响47-48
• 4.6 本章小结48-49
• 5. 总结与展望49-51
• 5.1 工作总结49-50
• 5.2 工作展望50-51
• 致谢51-52
• 参考文献52-58
• 攻读硕士学位期间发表的学术论文及研究成果58

【相似文献】

中国期刊全文数据库 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 何朕,赵文斌,于达仁;摄动矩阵的分解[J];电机与控制学报;2004年03期

6 李华云;;F范数及矩阵分解实例研究[J];现代情报;2008年10期

7 邹理和;;系数矩阵分解二维谱估值[J];信号处理;1985年03期

8 陈伯伦;陈];邹盛荣;徐秀莲;;基于矩阵分解的二分网络社区挖掘算法[J];计算机科学;2014年02期

9 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

10 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

中国重要会议论文全文数据库 前2条

1 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年

2 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年

中国博士学位论文全文数据库 前5条

1 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年

2 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年

3 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年

4 胡惠轶;基于分解的系统辨识方法研究[D];江南大学;2014年

5 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

中国硕士学位论文全文数据库 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 丁浩;基于协同矩阵分解的药物靶标相互作用关系预测[D];复旦大学;2014年

10 吴世伟;社会网络中的链接分析[D];复旦大学;2014年

  本文关键词：基于概率矩阵分解的多指标推荐算法研究，由笔耕文化传播整理发布。

本文编号：295931