基于矩阵补全的推荐算法研究
发布时间：2021-08-17 06:17
推荐系统是数据挖掘等相关领域的重要研究内容,可解决信息膨胀带来的信息有效利用率骤降问题,在商品推荐等方面有着广泛的应用。基于评分矩阵的推荐系统存在数据稀疏性、不可解释性、同义词性、冷启动等缺陷;针对数据稀疏问题,研究者利用稀疏矩阵的低秩性质对矩阵进行约束,以此对数据矩阵进行补全求解,提出了基于矩阵补全技术的推荐算法。论文侧重针对数据稀疏性问题,围绕基于矩阵补全的推荐算法开展研究,主要研究工作如下:1.论文提出了基于混合线性矩阵补全的推荐算法（Mixed Linear Matrix Completion based Recommend Algorithm,MLMC-RA）。该算法将用户与物品各自的特征以及他们之间的相关系与用户-物品的评分矩阵关系融合,构建混合线性矩阵补全的推荐模型,并对模型的求解进行了理论分析,给出了模型存在全局最优解的证明。仿真实验与实际数据的实验验证了 MLMC-RA算法的有效性。2.论文提出了非线性矩阵补全的推荐算法（Non-Linear Matrix Completion based Recommend Algorithm,NLMC-RA）。该算法先利用核主成分...
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１仿真实验１、２、３??从图２．１中可以看出，论文提出的方法几乎比其他三种方法都要有效，并且??
２．?４．?２真实数据实验??这一部分采用的数据为现实世界真实存在的数据，论文使用了?ＭｏｖｉｅＬｅｎｓ这??一数据库。该数据库可从（ｈｔｔｐｓ：／／ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｄａｔａｓｅｔｓ／ｍｏｖｉｅｌｅｎｓ／）下载获得，本??次试验中的数据包含了?１０００００条用户评分，每条评分记录为整数１到５，一共??包括了?９４３个用户和１６８２部电影的信息。并且每一部电影都有２０条特征信息如??类別或是发行时间，每个用户都包含了?２４条特征信息包括年龄性别职业等。在??实验中，论文分别按信息缺失率为２０％、３０％、４０％、５０％的情况进行实验，各??个算法得到的ＲＭＳＥ如表２．３所示，结果显示我们的结果几乎要比其他几种方??表２．３在ＭｏｖｉｅＬｅｎｓ上的实验结果??＾信Ｓ缺失率??２０％?３０％?４０％?５０％??ＲＭＳＥ??Ｐｒｏｐｏｓｅｄ?０．２７６?０．２７９?０．２８４?０．２９２??
２．５本章小结??本章节提出了一个基于辅助信息的矩阵补全模型，该模型利用了双线性关系??与单边线性相结合的方式，利用行记录与列记录的辅助特征信息进行预测并补全??观测矩阵中缺失的记录。该方法同时使用了线性模型的预测能力和具有相互关系??下的双线性模型的预测能力，使得算法具有更好的效果。同时又用理论证明分析??了该算法的收敛性，区别于经典的ＢＣＤ算法来解决矩阵补全问题，说明了使用??算法１的解是全局最优解。同时通过实验阐述了该方法在拟合数据和真实数据上??的表现是要优于其他三种己知的同样利用辅助信息的方法的。??本章内容己发表于中国科技大学学报２０１９年第４９卷第４期（第一作者）。??
【参考文献】：
期刊论文
[1]基于社交信息和物品曝光度的矩阵分解推荐[J]. 韩勇,宁连举,郑小林,林炜华,孙中原. 浙江大学学报(工学版). 2019(01)
[2]异常值自识别的低秩矩阵补全方法[J]. 李可欣,徐彬,高克宁. 计算机科学与探索. 2019(08)
[3]一种基于矩阵分解的上下文感知POI推荐算法[J]. 彭宏伟,靳远远,吕晓强,王晓玲. 计算机学报. 2019(08)
[4]基于矩阵补全的二阶统计量重构DOA估计方法[J]. 王洪雁,房云飞,裴炳南. 电子与信息学报. 2018(06)
[5]基于属性优化矩阵补全的抗托攻击推荐算法[J]. 周宇轩,陈蕾,张涵峰. 计算机应用研究. 2019(03)
[6]利用辅助信息进行矩阵补全的核方法及其在多标记学习中的应用[J]. 徐淼,周志华. 中国科学:信息科学. 2018(01)
[7]基于随机奇异值分解的快速矩阵补全算法及其应用[J]. 冯栩,李可欣,喻文健,黎耀航. 计算机辅助设计与图形学学报. 2017(12)
[8]基于社交关系和条件补全的协同过滤推荐算法[J]. 张为民,李坷露,李永丽. 吉林大学学报(理学版). 2017(05)
[9]基于矩阵分解的社交网络正则化推荐模型[J]. 林晓勇,代苓苓,史晟辉,李芳. 计算机系统应用. 2016(01)
[10]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]. 李聪,骆志刚. 自动化学报. 2011(09)
博士论文
[1]面向稀疏数据的多视图个性化推荐方法研究[D]. 袁卫华.山东师范大学 2018
[2]基于图的大规模半监督学习算法及应用研究[D]. 刘斌.电子科技大学 2017
[3]低秩模型重构的理论与应用[D]. 游庆山.电子科技大学 2017
[4]基于低秩矩阵估计的机器学习算法分析[D]. 胡尧.浙江大学 2015
[5]矩阵补全的模型、算法和应用研究[D]. 徐芳芳.上海交通大学 2014
硕士论文
[1]面向在线交友领域的互惠推荐算法研究[D]. 殷方勇.山东师范大学 2017
[2]基于社交关系与矩阵补全的协同过滤的推荐算法研究[D]. 李坷璐.吉林大学 2017
[3]基于集成学习的学习者反应矩阵补全方法研究[D]. 肖智兵.华中师范大学 2017
[4]基于权重调节的矩阵补全协同过滤算法研究[D]. 贺嘉楠.吉林大学 2016
[5]矩阵补全问题中的Bregman迭代新算法[D]. 孟秀丽.中国石油大学(华东) 2015
本文编号：3347234
【文章来源】：南京师范大学江苏省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２．１仿真实验１、２、３??从图２．１中可以看出，论文提出的方法几乎比其他三种方法都要有效，并且??
２．?４．?２真实数据实验??这一部分采用的数据为现实世界真实存在的数据，论文使用了?ＭｏｖｉｅＬｅｎｓ这??一数据库。该数据库可从（ｈｔｔｐｓ：／／ｇｒｏｕｐｌｅｎｓ．ｏｒｇ／ｄａｔａｓｅｔｓ／ｍｏｖｉｅｌｅｎｓ／）下载获得，本??次试验中的数据包含了?１０００００条用户评分，每条评分记录为整数１到５，一共??包括了?９４３个用户和１６８２部电影的信息。并且每一部电影都有２０条特征信息如??类別或是发行时间，每个用户都包含了?２４条特征信息包括年龄性别职业等。在??实验中，论文分别按信息缺失率为２０％、３０％、４０％、５０％的情况进行实验，各??个算法得到的ＲＭＳＥ如表２．３所示，结果显示我们的结果几乎要比其他几种方??表２．３在ＭｏｖｉｅＬｅｎｓ上的实验结果??＾信Ｓ缺失率??２０％?３０％?４０％?５０％??ＲＭＳＥ??Ｐｒｏｐｏｓｅｄ?０．２７６?０．２７９?０．２８４?０．２９２??
２．５本章小结??本章节提出了一个基于辅助信息的矩阵补全模型，该模型利用了双线性关系??与单边线性相结合的方式，利用行记录与列记录的辅助特征信息进行预测并补全??观测矩阵中缺失的记录。该方法同时使用了线性模型的预测能力和具有相互关系??下的双线性模型的预测能力，使得算法具有更好的效果。同时又用理论证明分析??了该算法的收敛性，区别于经典的ＢＣＤ算法来解决矩阵补全问题，说明了使用??算法１的解是全局最优解。同时通过实验阐述了该方法在拟合数据和真实数据上??的表现是要优于其他三种己知的同样利用辅助信息的方法的。??本章内容己发表于中国科技大学学报２０１９年第４９卷第４期（第一作者）。??
【参考文献】：
期刊论文
[1]基于社交信息和物品曝光度的矩阵分解推荐[J]. 韩勇,宁连举,郑小林,林炜华,孙中原. 浙江大学学报(工学版). 2019(01)
[2]异常值自识别的低秩矩阵补全方法[J]. 李可欣,徐彬,高克宁. 计算机科学与探索. 2019(08)
[3]一种基于矩阵分解的上下文感知POI推荐算法[J]. 彭宏伟,靳远远,吕晓强,王晓玲. 计算机学报. 2019(08)
[4]基于矩阵补全的二阶统计量重构DOA估计方法[J]. 王洪雁,房云飞,裴炳南. 电子与信息学报. 2018(06)
[5]基于属性优化矩阵补全的抗托攻击推荐算法[J]. 周宇轩,陈蕾,张涵峰. 计算机应用研究. 2019(03)
[6]利用辅助信息进行矩阵补全的核方法及其在多标记学习中的应用[J]. 徐淼,周志华. 中国科学:信息科学. 2018(01)
[7]基于随机奇异值分解的快速矩阵补全算法及其应用[J]. 冯栩,李可欣,喻文健,黎耀航. 计算机辅助设计与图形学学报. 2017(12)
[8]基于社交关系和条件补全的协同过滤推荐算法[J]. 张为民,李坷露,李永丽. 吉林大学学报(理学版). 2017(05)
[9]基于矩阵分解的社交网络正则化推荐模型[J]. 林晓勇,代苓苓,史晟辉,李芳. 计算机系统应用. 2016(01)
[10]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]. 李聪,骆志刚. 自动化学报. 2011(09)
博士论文
[1]面向稀疏数据的多视图个性化推荐方法研究[D]. 袁卫华.山东师范大学 2018
[2]基于图的大规模半监督学习算法及应用研究[D]. 刘斌.电子科技大学 2017
[3]低秩模型重构的理论与应用[D]. 游庆山.电子科技大学 2017
[4]基于低秩矩阵估计的机器学习算法分析[D]. 胡尧.浙江大学 2015
[5]矩阵补全的模型、算法和应用研究[D]. 徐芳芳.上海交通大学 2014
硕士论文
[1]面向在线交友领域的互惠推荐算法研究[D]. 殷方勇.山东师范大学 2017
[2]基于社交关系与矩阵补全的协同过滤的推荐算法研究[D]. 李坷璐.吉林大学 2017
[3]基于集成学习的学习者反应矩阵补全方法研究[D]. 肖智兵.华中师范大学 2017
[4]基于权重调节的矩阵补全协同过滤算法研究[D]. 贺嘉楠.吉林大学 2016
[5]矩阵补全问题中的Bregman迭代新算法[D]. 孟秀丽.中国石油大学(华东) 2015
本文编号：3347234
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3347234.html
最近更新
教材专著
