基于融合属性矩阵分解的冷启动推荐算法研究

发布时间：2021-04-06 17:27

　　推荐系统旨在帮助用户从海量的信息中挑选出用户感兴趣的信息。它通过历史记录自动挖掘用户的兴趣和喜好,最后为每个用户提供个性化的服务。协同过滤推荐算法在促进服务推荐生态上扮演着重要的角色。然而在实际应用中,协同过滤算法也存在着数据稀疏性、冷启动、迁移性以及是否侵犯用户隐私的问题。其中最为严重也最需要解决的问题就是冷启动问题。冷启动问题分为三种,分别是用户冷启动问题,项目冷启动问题以及系统冷启动问题。利用项目和用户的信息通常是解决冷启动问题的有效方法。对于项目冷启动而言,有效的利用项目的属性信息是有效解决该问题的方法之一。然而对于用户冷启动问题,由于隐私泄露的日益严重,用户越来越在乎个人的隐私,所以利用用户的个人信息作为解决冷启动问题的解决方案往往是行不通的。协同过滤在促进服务推荐生态系统上发挥着重要的功效,其中矩阵分解技术更是被证明是最有效的推荐方法之一。本文针对推荐系统中所存在的项目冷启动问题和用户冷启动给问题分别提出了解决方法。对于新项目的冷启动问题,本文提出了一种融合项目属性的相似度计算方法,利用该方法来预测用户对新服务的偏好,将预测出来的偏好与矩阵分解模型进行结合,最后利用模型来预... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图２．１协同过滤模型图??Ｆｉｇ．?２．１?Ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ｍｏｄｅｌ??

图３．?１融合属性的矩阵分解模型??Ｆｉｇ．?３．１?Ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ?ｍｏｄｅｌ?ｏｆ?ａｔｔｒｉｂｕｔｅｓ－ｆｕｓｅｄ??３．２．２基于属性的ＫＮＮ算法??Ｋ近邻方法（ＫＮＮ）是基于邻域协同过滤的流行方法之一。该方法的核心??是计算用户或服务之间的相似度。基于类似度计算的类型，在推荐系统中有两种??ＫＮＮ?（即，基于用户的ＵＫＮＮ和基于服务的ＩＫＮＮ）。??基于服务的ＫＮＮ方法是经过协同过滤的算法改进而来，根据每个服务的前??左个最近邻的服务的评分信息来进行推荐。对于服务／和服务＿／，仍分别代??表调用过服务／和服务＿／的用户集合，Ｊ㈨和Ｊ似分别表示服务／和服务．／的属性??集合。对于传统的服务推荐，通常采用公式（３．１）计算相似度：??

士学位论文?基于融合属性矩阵分解的冷当评分矩阵比较稀疏的时候，随机梯度下降法会得到更好的梯度下降的方法，相关参数的更新操作如下：??ｂｕ＜－ｂｕ＋ａ（ｅｕｌ－Ａｂｕ）??ｂ，?＋?ａ（ｅｕｉ?－又ｂ，）??ｘ．?＋?ａ（ｙ，?￣ｙ，＾?ｙｔ＋ａｉｘ＾Ｘｙ，）??ａ代表学习速率。??矩阵分解方法忽略了冷启动服务与其他服务之间的联系，所以属性信息来解决这一问题。我们将基础的矩阵分解模型作后的矩阵分解模型如下图所示：??

【参考文献】：
期刊论文
[1]基于SOM神经网络的服务质量预测[J]. 张以文,项涛,郭星,贾兆红,何强.  软件学报. 2018(11)
[2]一种基于移动用户位置的网络服务推荐方法[J]. 刘树栋,孟祥武.  软件学报. 2014(11)
[3]基于可信联盟的服务推荐方法[J]. 王海艳,杨文彬,王随昌,李思瑞.  计算机学报. 2014(02)
[4]基于云模型的协同过滤推荐算法[J]. 张光卫,李德毅,李鹏,康建初,陈桂生.  软件学报. 2007(10)



本文编号：3121827