基于迁移学习的个性化推荐算法研究

发布时间：2021-09-07 01:57

　　在大数据时代,互联网信息量呈爆炸式增长,信息过载问题也越来越严重,给用户带来了困扰。因此,推荐系统应运而生,它可以在一定程度上解决信息过载问题。目前,个性化推荐算法的相关研究已经取得了许多成果,并被应用到了各个领域中。然而由于现实场景中,数据存在着一定的稀疏性,限制了推荐算法的进步与发展。鉴于迁移学习思想的广泛应用,有学者开展了相关研究,提出将迁移学习的思想应用到推荐算法中。现有的结合了迁移学习思想的推荐算法可以缓解数据稀疏问题,使推荐准确度有所提升,但是同时还存在以下问题:不能充分挖掘辅助数据与目标数据间的内在联系、信息迁移不足以及推荐性能1欠佳。针对上述问题,本文开展深入的研究工作,提出了两种基于迁移学习的个性化推荐算法:考虑近邻的迁移共同矩阵分解个性化推荐算法（TCMF-NN）、多源三桥迁移个性化推荐算法（MSTBTR）。在相关真实数据集上进行了实验,结果表明,本文所提出的两个算法比现有算法具有更高的推荐准确度。本文的主要工作如下:1.深入研究现有的个性化推荐算法和结合了迁移学习思想的个性化推荐算法,并对其进行了相应的分析和算法实现,找到其中存在的不足。2.结合了矩阵分解和迁移学... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

基于用户的协同过滤推荐算法的基本原理

图 2-1 基于用户的协同过滤推荐算法的基本原理图是一个电影推荐的实例，展示了基于用户的协同过滤推荐算法的原 A 观看了电影 X 和电影 Y，用户 B 观看了电影 X、电影 Y 和电影 了电影 Z 和电影 W；从用户 A、B、C 对电影的观看行为中，不难发户 B 都观看了电影 X 和电影 Y，因此他们具有相似的口味和电影偏 B 还看了物品 Z，于是从用户的角度考虑，推荐系统将电影 Z 推荐其选择观看。于物品的协同过滤推荐的基本思想是：将用户与物品间的交互信息，、浏览记录等，作为物品的潜在特征，并且基于这些用户物品交互数相似度计算方法计算物品之间的相似度，比如：欧式距离、改进的计算方法等，从而找到相似的物品，然后对于目标物品，基于喜欢目物品的用户的偏好对其进行推荐。其推荐原理图如图 2-2 所示。

图 2-3 用户评分矩阵于协同过滤的推荐算法已经得到了大量的研究和应用，：动问题，协同过滤推荐算法对新物品和新用户都存在“冷户或新物品，由于其产生的用户物品交互数据较少，协同信息，导致难以获得较好的推荐性能。的效果依赖于用户与物品的历史交互数据的准确性，协户与物品的历史交互数据，而这些数据受一定的主观因素际推荐场景中，用户与物品的历史交互数据是很稀疏的难以准确挖掘到用户的偏好并产生合理的推荐列表。性问题，协同过滤推荐主要依赖于用户与物品的历史交带来新颖性的个性化推荐。内容的推荐算法


本文编号：3388625