基于矩阵分解的社会化推荐算法研究

发布时间：2021-03-29 21:41

　　推荐系统研究一直是数据挖掘中的热点,它向用户提供精确地个性化推荐服务,其中局部邻域推荐算法和全局矩阵分解模型的算法已被广泛研究。虽然已有学者将局部邻域推荐算法和全局矩阵分解模型算法的优点结合,形成优势互补,但是算法中仍然存在数据稀疏和冷启动问题。因此,为了解决这些问题我们进行了以下研究,具体的工作内容和创新点如下:1.首先论述本文的研究背景、意义以及研究现状。然后阐述了推荐系统领域的相关技术,其中包括基于邻域和模型的推荐算法,总结了推荐领域常用的评价指标。最后,本文详细介绍了矩阵分解模型在社会化推荐算法中的应用。2.基于邻域的协同过滤在进行相似用户选择时,只用了用户之间的共同评分,并且矩阵稀疏性随用户量增大而增加,从而导致推荐精度低等问题。因此,本文提出了基于标签权重近邻的卷积深度学习模型,该模型在社交关系中引入了标签并细化了标签权重。具有相同标签的项目往往有类似的特征,这样使兴趣一致的更容易聚类到一起,通过余弦相似性来度量他们之间的相关性,并给出用户特征向量及特征方程的建立公式。在处理项目特征向量的时候,利用卷积神经网络处理项目特征。通过基于标签权重近邻的卷积深度学习模型建立的项目特... 

【文章来源】：山东师范大学山东省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

推荐系统框架图

图 2-2 推荐算法分类2.1 基于内容的推荐算法基于内容的推荐算法（CB）的思想是通过对用户过去浏览的内容进行分析并提取征，然后将得到的结果与目标项目进行对比并计算他们之间的相似度，最终按照相低排列生成推荐列表并推荐给用户[42]。它主要包括三个步骤，首先要对每个项目的行筛选分析并提取出能够表示该项目的特征。然后利用用户历史记录的项目特征数出用户的兴趣特征。最后通过计算用户特征与目标项目的特征之间的关联度，根据的高低为用户推荐一组数值最大的项目。CB 算法的用户独立性强，因为每个用户提取的属性都基于他们自己对项目的偏且与其他用户的行为无关。并且算法的可解释性强，提高推荐结果被接受的可能性想向用户推荐某产品时可以向用户解释该产品的某些属性跟您的喜好很符合，曾经相似产品等等。而且该算法还可以根据历史记录有利于新项目推荐，但是 CB 算法一些问题，如果推荐对象是视频、音乐这样的非文本对象，在自动提取特征关键字

图 2-3 基于内容推荐过程项目中如果以文本内容为例，首先要从文本中提取出属性特征。我本中抽取出某出现频率高词，文本中的词分别对应一个权重，然后它们的权重。如果用这种计算方法可以把一篇文本用一个具体的向从文本集合1 2 { , , ,}ND d d d 中提取特征，首先要把文本中的每,}nt 表示，N 是文本数量，n是文本中词的总数。假设第 j篇文本可2, , }j nj w ，其中i jw 意思是第i 个词在文本 j中的权重，它的值越大重要。因此，表示第 j篇文章关键就在于计算jd 中各部分的值。通中经常用到的加权方法 TF-IDF[43]，所以我们可以得到所有i 个词在值。, ( , ) ( )i j i j iW TF t d IDF t

【参考文献】：
期刊论文
[1]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[2]结合概率矩阵分解的混合型推荐算法[J]. 杨丰瑞,郑云俊,张昌.  计算机应用. 2018(03)
[3]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)
[4]一种改进的K-means聚类的协同过滤算法[J]. 赵伟,林楠,韩英,张洪涛.  安徽大学学报(自然科学版). 2016(02)
[5]基于平行因子分解的协同聚类推荐算法[J]. 丁小焕,彭甫镕,王琼,陆建峰.  计算机应用. 2016(06)
[6]推荐系统评测方法和指标分析[J]. 王春才,邢晖,李英韬.  信息技术与标准化. 2015(07)
[7]产品评论特征及观点抽取研究[J]. 郗亚辉.  情报学报. 2014 (03)
[8]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红.  软件学报. 2013(11)
[9]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)



本文编号：3108242