基于张量分解的推荐算法研究

发布时间：2017-04-27 18:03

  本文关键词：基于张量分解的推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：随着信息技术的飞速发展,人们从信息匮乏时代过渡到了信息过载时代,用户很难从海量的数据中找到自己感兴趣或对自己有价值的信息。推荐系统是应对信息过载问题的一个有效的解决办法。当前,基于模型的推荐算法是推荐系统研究领域的热点方向,具有推荐精度高、善于发现用户新的兴趣点、可扩展性好等优点。但是,基于模型的推荐算法仍然存在的一些问题。第一,忽略时间因素对推荐系统的影响。传统的推荐模型是静态的,忽略了时间因素,部分推荐算法虽然将时间因素考虑在内,但只是使用最近的数据或者给过去的数据降低权重,这样可能会造成有用信息的丢失。第二,优化目标与推荐系统目标不一致。推荐系统的最终目的是对用户形成推荐项目序列,传统的基于模型的推荐算法先预测用户对项目的评分,然后依据评分生成推荐序列。这些推荐算法的重点是评分预测,可是能很好地预测评分不一定能很好地进行项目推荐。本文针对这两个问题,在现有的研究工作的基础上进行了改进,提出了两种改进的推荐算法。针对第一个问题,本文提出了一种改进的基于时间的局部低秩张量分解推荐算法。该推荐算法在传统的推荐算法的基础上,考虑时间因素,把评分矩阵看作是用户、项目、时间三个维度的张量,将传统的推荐算法延伸到张量领域。针对第二个问题,本文提出了进一步的改进算法局部低秩张量分解排名推荐算法。首先,为了提高排名推荐效果,该算法选择直接优化排名评价指标倒数排名函数均值(Mean Reciprocal Rank,MRR);其次,为了能够充分利用数据集合中的信息,该算法修改该评价指标使其适合显式反馈数据集合；然后,为了能够使用标准最优化方法对修改后的评价指标进行优化操作,该算法对其进行平滑化操作；接着,为了简化优化操作的过程,该算法求出平滑化后的评价指标的下界；最后,该算法将该评价指标的下界作为目标函数,使用随机梯度上升法对其进行优化操作。实验表明,这两种推荐算法都能提高排名推荐效果。
【关键词】：推荐系统 时间因素 张量分解 倒数排名函数均值 排名推荐
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景和意义11-12
• 1.2 国内外研究现状12-15
• 1.3 本文主要工作15-16
• 1.4 本文组织结构16-17
• 2 推荐系统研究综述17-30
• 2.1 协同过滤推荐算法17-26
• 2.1.1 基于记忆的协同过滤推荐算法18-21
• 2.1.2 基于模型的协同过滤推荐算法21-26
• 2.2 基于内容的推荐算法26-28
• 2.3 混合推荐算法28-29
• 2.4 本章总结29-30
• 3 局部低秩张量分解推荐算法30-41
• 3.1 局部低秩矩阵分解推荐算法30-32
• 3.2 时间对推荐的影响32-33
• 3.3 张量分解33-36
• 3.4 改进的局部低秩张量分解推荐算法36-40
• 3.5 本章总结40-41
• 4 局部低秩张量分解排名推荐算法41-50
• 4.1 推荐系统中的排名问题41-43
• 4.2 改进的局部低秩张量分解排名推荐算法43-49
• 4.2.1 平滑化倒数排名函数43-45
• 4.2.2 倒数排名函数的下界45-47
• 4.2.3 算法描述47-49
• 4.3 本章总结49-50
• 5 实验结果及分析50-62
• 5.1 实验数据50-51
• 5.2 评价指标51-53
• 5.3 算法实验结果分析53-60
• 5.3.1 实验平台53-54
• 5.3.2 算法影响因素54-56
• 5.3.3 算法对比实验56-60
• 5.4 本章总结60-62
• 6 总结与展望62-64
• 参考文献64-68
• 作者简历及攻读硕士学位期间取得的研究成果68-70
• 学位论文数据集70

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q

本文编号：331124