基于多因素的矩阵分解推荐算法研究与实现

发布时间：2024-03-20 21:25

　　近年来,随着智能移动设备的流行和定位技术的普及,在生活中人们越来越容易获取到关于位置的实时信息,这种现象催生了基于位置社交网络软件应用的普及,例如Foursquare、大众点评等。传统的推荐算法无法适用于位置社交网络情景下的用户推荐需求。与传统推荐算法的情景不同,位置社交网络中存在着大量的上下文信息,例如地理位置信息、社交网络信息、用户行为的时间信息等等。在位置社交网络中,用户的行为是自身兴趣偏好与多种上下文信息共同作用的结果,如何对这些上下文信息进行合理地建模成为了必须考虑的问题。本文主要的研究内容主要包括以下几个部分:(1)本文提出一种基于局部社交关系正则化的矩阵分解推荐算法,本文算法从全局社交和局部社交两种角度建模用户的社交网络,充分挖掘了社交网络对于用户偏好的影响。在真实数据集上的实验表明本文算法的准确性优于其他基于社交的推荐算法。(2)本文提出一种基于核密度估计的矩阵分解推荐算法,本文算法从用户自身偏好、地理位置信息和社交网络信息三个方面考虑对于用户行为的影响。本文提出的算法不仅能够有效建模上下文信息对于用户行为的影响并且具备良好的可拓展性。在真实数据集上的实验表明本文算法比...

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图2-1不同评分数量下的用户分布

?北京邮电大学工学硕士学位论文???的ＲＭＳＥ值大于用户评分数量［３１，５０］区间上的ＲＭＳＥ值。这是因为过多的用户??评分数据分散了用户兴趣偏好的特征，使得推荐算法通过训练集得到的用户特征??向量无法准确反映用户的偏好。??０．８??

图２－３不同社会关系下的用户分布??１９??

分组情况下的性能优劣。首先根据用户局部社交数量的不同，将用户分成５个区??间，每个区间内用户的社交数量依次为［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??图２－３显示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四个数据集中不同....

图２－４?不同社会关系下用户对比结果??实验四：参数对ＬＳＲＧ算法的影响??实验四的目的是测试目标函数中参数对于实验结?

分组情况下的性能优劣。首先根据用户局部社交数量的不同，将用户分成５个区??间，每个区间内用户的社交数量依次为［１：１０］、［?１１：２〇］、［２１：３０］、［３１：５０］、［５１：１?〇〇］。??图２－３显示了?Ｅｐｉｎｉｏｎｓ、Ｃｉａｏ、ＦｉｌｍＴｒｕｓｔ和豆瓣四个数据集中不同....

图2，5参毅对于算法的影响

２．５本章小结??针对于传统推荐算法没有利用用户社交网络信息的缺点，本章提出基于局部??社交关系正则化的矩阵分解推荐算法，本章提出的算法从全局和局部两种角度对??用户的社交Ｎ络进行建模。本章提出的算法首先对社交网络中的全体用户排序获??得每个用户的全局社交权重，然后以正则项的形式....

本文编号：3933327