基于Slope One算法的混合推荐算法研究
发布时间：2021-08-25 10:38
信息技术的革新带着人们进入了信息时代,但“信息过载”问题制约了人们获取信息的效率,个性化推荐系统有效缓解了“信息过载”问题。协同过滤算法是目前应用最广泛的推荐算法,但单一的协同过滤推荐算法存在着数据稀疏、可扩展性、冷启动、可解释性等制约着推荐效果的因素。为了优化推荐算法,越来越多的辅助信息和混合模型引入推荐系统。内容信息有助于联系用户和物品,满足用户更为个性化的需求,混合模型有助于提高推荐系统性能。加权Slope One算法作为一种使用线性回归模型来预测评分的基于邻域的协同过滤算法其最大优势是易于实现,原理简单,且预测的准确度较高。但该算法未能考虑考虑用户之间、物品之间以及用户和物品之间的内在联系,进而影响推荐质量。针对以上问题,本文在Slope One算法基础上,分别从矩阵分解思想和辅助内容信息的角度的提出相应的改进算法,以期提高推荐系统的性能。本文主要介绍了3个方面内容:基于非负矩阵分解的Slope One算法、基于物品相似性的Slope One算法、基于标签基因组的Slope One算法。主要研究内容如下:（1）在非负矩阵分解（NMF）算法中,基于流形学习的图正则化非负矩阵分解方...
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
网民规模和互联网普及率
华东师范大学硕士学位论文3达大学Sarwar等人发表了著名的基于物品的协同过滤系统一文[2]，同年亚马逊也发布了经典的Item-Item协同过滤算法[3]。电子商务系统根据用户的购买记录向用户推荐商品，这是推荐系统商业化的重要里程碑。当前很多流行的推荐算法都是基于这两篇论文提出的算法的基础上进行改进的。2006年，在线视频平台Netflix举办推荐系统大赛，吸引了业界的广泛关注，推荐系统的研究进入了一个新的高潮。在大赛中出现了大量的优秀算法，特别是基于隐语义的矩阵分解算法。诸多的顶级会议也出现了越来越多的推荐系统相关论文。ACM于2007年开设了专门的推荐系统大会，WWW，SIGKDD，SIGIR，WSDM等信息检索和机器学习领域会议也涌现出一批经典的推荐系统论文。在推荐的应用形式上，伴随着移动互联网和多媒体的发展，个性化推荐系统的应用场景越来越丰富，越来越注重于与用户生活场景的交互。目前工业界的推荐系统应用主要分布于电影、电商、新闻推荐、视频、音乐、社交网络等领域。图1-2显示了2019年12月我国手机网民常用的各类App时长情况②，可以看出网络视频、短视频、网络新闻、社交、网络文学、网络音乐等是网民的主要使用场景，也与个性化推荐系统应用领域高度重合。图1-2各应用使用时长占比在推荐系统使用的数据上，以往主要是使用评分这一显式数据，随着推荐系统所提供服务形式的多元化，越来越多的辅助信息开始被使用。如物品本身的特征信息，物品的标签，用户之间广泛存在的社交关系。通过对这些信息的充分挖掘，系统可以对用户的偏好有更全面的了解进而做出更准的推荐结果。②http://www.cac.gov.cn/2020-04/27/c_1589535470378587.htm
华东师范大学硕士学位论文9第二章推荐系统理论介绍2.1定义与功能2.1.1定义经典的推荐问题公式化定义：定义用户集合，物品集合，评分可选的分数集（5分制或10分制），物品可以是电影，音乐，图书，餐馆等多种形式。用代表一个目标物品对用户的效益函数即:×→来预测用户对于物品的评分(,)，这样就可以通过以下公式来衡量用户对于物品的喜好程度：=argmax(,)(∈)(2-1)Vig等人指出[21]，因为用户和未使用过的物品间的关系是未知的，所以推荐系统需要依赖不同的中介实体来联系用户和物品。如图2-1所示，可以用三种方式来联系用户和物品：第一种是通过中介物品来联系用户和物品。根据用户过去喜欢的中介物品的类型，寻找和该物品相似的其他物品来推荐给用户；第二种是通过中介用户来联系用户和物品。寻找和当前用户有相似的兴趣或者有共同好友的其他用户，根据中介用户所喜欢的物品的类型来为当前用户推荐相似的物品；第三种是通过中介特征来联系用户和物品。基于特征的方法将待推荐物品的特征或特征用作中介实体。比如对于电影，属性集合包括导演、主演、类型等，对于音乐，属性集合包括专辑、表演者、流派等特征来做出较为合理的推荐。图2-1联系用户和物品的中介实体
【参考文献】：
期刊论文
[1]基于非负矩阵分解的Slope One算法[J]. 董立岩,金佳欢,方塬程,王越群,李永丽,孙铭会. 浙江大学学报(工学版). 2019(07)
[2]基于概率矩阵分解的用户相似度计算方法及推荐应用[J]. 黄淑芹,徐勇,王平水. 山东大学学报(理学版). 2017(11)
[3]融合标签相似度的k近邻Slope One算法[J]. 张鹏,葛小青. 重庆邮电大学学报(自然科学版). 2016(04)
[4]基于结构投影非负矩阵分解的协同过滤算法[J]. 居斌,钱沄涛,叶敏超. 浙江大学学报(工学版). 2015(07)
[5]基于符号数据与非负矩阵分解法的混合推荐算法[J]. 郭均鹏,王启鹏,宁静,李嫒嫒. 系统管理学报. 2015(03)
[6]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)
[7]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[8]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海. 计算机学报. 2010(08)
[9]基于不同数据集的协作过滤算法评测[J]. 董丽,邢春晓,王克宏. 清华大学学报(自然科学版). 2009(04)
[10]公众分类法（Folksonomy）基础性理论研究[J]. 李文举. 图书馆学研究. 2008(09)
博士论文
[1]基于矩阵分解的个性化推荐系统[D]. 王科强.华东师范大学 2017
[2]个性化推荐的可解释性研究[D]. 张永锋.清华大学 2016
[3]投影非负矩阵分解算法研究及其应用[D]. 张翔.国防科学技术大学 2015
硕士论文
[1]融入用户信任和标签的协同过滤推荐研究[D]. 吴航.华东师范大学 2019
[2]矩阵分解在图像分类和聚类中的应用研究[D]. 庞孟.大连理工大学 2016
[3]基于多流形正则化非负矩阵分解的多视图聚类[D]. 赵龙.大连理工大学 2015
本文编号：3361958
【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
网民规模和互联网普及率
华东师范大学硕士学位论文3达大学Sarwar等人发表了著名的基于物品的协同过滤系统一文[2]，同年亚马逊也发布了经典的Item-Item协同过滤算法[3]。电子商务系统根据用户的购买记录向用户推荐商品，这是推荐系统商业化的重要里程碑。当前很多流行的推荐算法都是基于这两篇论文提出的算法的基础上进行改进的。2006年，在线视频平台Netflix举办推荐系统大赛，吸引了业界的广泛关注，推荐系统的研究进入了一个新的高潮。在大赛中出现了大量的优秀算法，特别是基于隐语义的矩阵分解算法。诸多的顶级会议也出现了越来越多的推荐系统相关论文。ACM于2007年开设了专门的推荐系统大会，WWW，SIGKDD，SIGIR，WSDM等信息检索和机器学习领域会议也涌现出一批经典的推荐系统论文。在推荐的应用形式上，伴随着移动互联网和多媒体的发展，个性化推荐系统的应用场景越来越丰富，越来越注重于与用户生活场景的交互。目前工业界的推荐系统应用主要分布于电影、电商、新闻推荐、视频、音乐、社交网络等领域。图1-2显示了2019年12月我国手机网民常用的各类App时长情况②，可以看出网络视频、短视频、网络新闻、社交、网络文学、网络音乐等是网民的主要使用场景，也与个性化推荐系统应用领域高度重合。图1-2各应用使用时长占比在推荐系统使用的数据上，以往主要是使用评分这一显式数据，随着推荐系统所提供服务形式的多元化，越来越多的辅助信息开始被使用。如物品本身的特征信息，物品的标签，用户之间广泛存在的社交关系。通过对这些信息的充分挖掘，系统可以对用户的偏好有更全面的了解进而做出更准的推荐结果。②http://www.cac.gov.cn/2020-04/27/c_1589535470378587.htm
华东师范大学硕士学位论文9第二章推荐系统理论介绍2.1定义与功能2.1.1定义经典的推荐问题公式化定义：定义用户集合，物品集合，评分可选的分数集（5分制或10分制），物品可以是电影，音乐，图书，餐馆等多种形式。用代表一个目标物品对用户的效益函数即:×→来预测用户对于物品的评分(,)，这样就可以通过以下公式来衡量用户对于物品的喜好程度：=argmax(,)(∈)(2-1)Vig等人指出[21]，因为用户和未使用过的物品间的关系是未知的，所以推荐系统需要依赖不同的中介实体来联系用户和物品。如图2-1所示，可以用三种方式来联系用户和物品：第一种是通过中介物品来联系用户和物品。根据用户过去喜欢的中介物品的类型，寻找和该物品相似的其他物品来推荐给用户；第二种是通过中介用户来联系用户和物品。寻找和当前用户有相似的兴趣或者有共同好友的其他用户，根据中介用户所喜欢的物品的类型来为当前用户推荐相似的物品；第三种是通过中介特征来联系用户和物品。基于特征的方法将待推荐物品的特征或特征用作中介实体。比如对于电影，属性集合包括导演、主演、类型等，对于音乐，属性集合包括专辑、表演者、流派等特征来做出较为合理的推荐。图2-1联系用户和物品的中介实体
【参考文献】：
期刊论文
[1]基于非负矩阵分解的Slope One算法[J]. 董立岩,金佳欢,方塬程,王越群,李永丽,孙铭会. 浙江大学学报(工学版). 2019(07)
[2]基于概率矩阵分解的用户相似度计算方法及推荐应用[J]. 黄淑芹,徐勇,王平水. 山东大学学报(理学版). 2017(11)
[3]融合标签相似度的k近邻Slope One算法[J]. 张鹏,葛小青. 重庆邮电大学学报(自然科学版). 2016(04)
[4]基于结构投影非负矩阵分解的协同过滤算法[J]. 居斌,钱沄涛,叶敏超. 浙江大学学报(工学版). 2015(07)
[5]基于符号数据与非负矩阵分解法的混合推荐算法[J]. 郭均鹏,王启鹏,宁静,李嫒嫒. 系统管理学报. 2015(03)
[6]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)
[7]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[8]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海. 计算机学报. 2010(08)
[9]基于不同数据集的协作过滤算法评测[J]. 董丽,邢春晓,王克宏. 清华大学学报(自然科学版). 2009(04)
[10]公众分类法（Folksonomy）基础性理论研究[J]. 李文举. 图书馆学研究. 2008(09)
博士论文
[1]基于矩阵分解的个性化推荐系统[D]. 王科强.华东师范大学 2017
[2]个性化推荐的可解释性研究[D]. 张永锋.清华大学 2016
[3]投影非负矩阵分解算法研究及其应用[D]. 张翔.国防科学技术大学 2015
硕士论文
[1]融入用户信任和标签的协同过滤推荐研究[D]. 吴航.华东师范大学 2019
[2]矩阵分解在图像分类和聚类中的应用研究[D]. 庞孟.大连理工大学 2016
[3]基于多流形正则化非负矩阵分解的多视图聚类[D]. 赵龙.大连理工大学 2015
本文编号：3361958
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3361958.html
最近更新
教材专著
