基于主体特征的矩阵分解推荐算法

发布时间：2022-12-11 03:05

　　个性化推荐的主要意义在于能够帮助人们从海量的信息数据中,挖掘出用户可能感兴趣的信息,节省用户搜寻信息的时间,提高用户的效率,改善用户体验。一个推荐系统的主体主要包括用户和物品,在实现个性化推荐的过程中,往往需要比较主体与主体之间的相似度,从而为个性化推荐提供依据。然而传统的协同过滤算法仅仅考虑了用户之间的共同评分项,忽略了用户与物品之间的关系,使得推荐的结果并不理想。推荐系统主体间的关系能够反映其本身的特征,一方面,用户对物品的历史评分能够很好地量化用户的偏好特征,另一方面,用户对物品所作标签也为物品特征的构建提供真实依据。因此基于主体之间的交互来对其本身特征进行改进能更好提高推荐的精度。本文基于此思想提出了一种基于主体特征的矩阵分解推荐算法。主要工作如下:1、针对传统的Funk-SVD模型没有考虑主体的具体细节以及主体间交互记录的问题,提出了一种结合用户偏好的矩阵分解模型,该模型首先根据用户与物品的历史交互记录,构建用户偏好特征,然后将主体的特征差异与矩阵分解模型结合,训练出用户特征以及物品特征。在构建相似用户集合时,将矩阵分解所得的用户特征和根据历史交互记录构建的用户偏好特征以及不... 

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 引言
    1.1 研究背景
    1.2 国内外研究现状
    1.3 本文研究内容
    1.4 本文结构安排
第2章 相关理论介绍
    2.1 基本推荐算法介绍
        2.1.1 协同过滤推荐算法
        2.1.2 基于内容的推荐算法
        2.1.3 混合推荐算法
        2.1.4 基于模型的推荐算法
    2.2 主体特征
    2.3 标签推荐技术
    2.4 推荐系统评价标准
    2.5 本章小结
第3章 结合用户偏好的矩阵分解模型
    3.1 用户偏好特征
        3.1.1 slope one推荐算法
        3.1.2 用户偏好的表示
    3.2 评分偏差
    3.3 基于用户评分置信度的用户相似度计算
    3.4 SFMF推荐算法
    3.5 本章小结
第4章 物品特征改进及算法总流程
    4.1 基于图的推荐算法
    4.2 用户物品标签三部图
    4.3 基于标签置信度的热量传递
    4.4 基于改进主体特征的矩阵分解推荐算法
    4.5 本章小结
第5章 实验分析
    5.1 实验数据集及环境
    5.2 实验方案
    5.3 实验结果及分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
附录


【参考文献】：
期刊论文
[1]基于注意力机制的规范化矩阵分解推荐算法[J]. 张青博,王斌,崔宁宁,宋晓旭,秦婧.  软件学报. 2020(03)
[2]一种优化聚类的协同过滤推荐算法[J]. 王永贵,刘凯奇.  计算机工程与应用. 2020(15)
[3]基于全加权矩阵分解的用户协同过滤推荐算法[J]. 邓秀勤,刘太亨,刘富春,龙咏红.  计算机科学. 2019(S2)
[4]一种基于标签的Top-N个性化推荐算法[J]. 马闻锴,李贵,李征宇,韩子扬,曹科研.  计算机科学. 2019(S2)
[5]基于二分图划分联合聚类的协同过滤推荐算法[J]. 黄乐乐,马慧芳,李宁,余丽.  计算机工程与科学. 2019(11)
[6]高效图推荐算法应用研究[J]. 刘清,王帆,冯亮,夏天鹤,熊志奇,施涛.  软件导刊. 2019(08)
[7]融合信任和基于概率矩阵分解的推荐算法[J]. 田保军,杨浒昀,房建东.  计算机应用. 2019(10)
[8]一种聚类与kNN结合的协同过滤算法[J]. 喻新潮,曾圣超,温柳英,罗朝广.  小型微型计算机系统. 2019(04)
[9]基于时间相关度和覆盖权重的协同过滤推荐算法[J]. 张志鹏,张尧,任永功.  模式识别与人工智能. 2019(04)
[10]基于知识图谱的云端个性化测试推荐[J]. 段玉聪,邵礼旭,崔立真,高洪皓.  小型微型计算机系统. 2018(12)



本文编号：3718020