基于距离度量学习的协同过滤算法研究

发布时间：2025-03-15 05:57

　　随着计算机技术的飞速发展,人类在获得越来越多便利的同时也产生了更多的数据,面临着“信息过载”的问题,即从海量大数据中挖掘有价值的信息变得越来越困难。推荐系统就是在这样的背景下诞生的,推荐系统能从大量数据当中获得有价值的信息,为用户提供满足其需求的商品信息,对用户进行个性化推荐服务。在推荐系统中协同过滤算法是一种较为著名和常用的推荐算法,它通过对用户的历史行为进行建模,预测用户对项目的偏好,由于其推荐个性化、自动化程度高等优点,基于协同过滤的推荐算法受到学术界和工业界的广泛关注。其中,矩阵分解因其具有较高准确性和可扩展等特点,在协同过滤中占有非常重要的地位,目前已经成为了最受欢迎的个性化推荐算法之一。矩阵分解算法使用点积来预测用户偏好,但是点积只是简单地线性乘积组合且不满足三角不等式,这可能会对推荐结果产生负面的影响。针对上述缺点,本文尝试使用满足三角不等式的距离度量来代替矩阵分解中的点积,使用距离度量算法来预测用户对项目的偏好。第三章中提出融合度量学习和矩阵分解的协同过滤算法（MLMF）,使用距离度量算法学习用户和项目在同一低维欧几里得空间位置特征,让用户距离感兴趣的项目更近,距离不感兴...

【文章页数】：92 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 推荐系统研究现状
    1.3 推荐系统面临的挑战
        1.3.1 数据稀疏
        1.3.2 冷启动问题
        1.3.3 可扩展性
    1.4 研究方法及内容
    1.5 文章组织结构
第2章 相关理论基础与技术背景
    2.1 协同过滤算法
        2.1.1 基于近邻的协同过滤算法
        2.1.2 基于模型的协同过滤算法
    2.2 社会化推荐算法
    2.3 推荐系统评价指标
        2.3.1 评分预测的评价指标
        2.3.2 TopN排序预测的评价指标
    2.4 度量学习及其应用
    2.5 T-SNE降维和可视化
第3章 融合度量学习和矩阵分解的协同过滤
    3.1 引言
    3.2 相关研究工作和背景
        3.2.1 矩阵分解
        3.2.2 基于度量的欧几里得嵌入算法
    3.3 融合度量学习和矩阵分解的协同过滤
        3.3.1 问题描述
        3.3.2 算法简介
        3.3.3 转换为距离偏差矩阵
        3.3.4 距离偏差分解
        3.3.5 正则化
        3.3.6 训练
    3.4 实验结果与分析
        3.4.1 数据集介绍
        3.4.2 对比基线算法
        3.4.3 评估指标和实现细节
        3.4.4 实验结果分析
        3.4.5 T-SNE降维和可视化分析
        3.4.6 距离变化分析
        3.4.7 对TopN推荐列表预测
    3.5 本章小结
第4章 基于距离度量分解的社会化推荐算法
    4.1 引言
    4.2 相关研究工作和背景
        4.2.1 正则化方式的社会推荐
        4.2.2 嵌入方式的社会推荐
        4.2.3 协同分解的方式的社会推荐
    4.3 基于距离度量分解的社会化推荐算法
        4.3.1 问题定义
        4.3.2 用户关系重构
        4.3.3 转化为距离偏差
        4.3.4 距离偏差分解
        4.3.5 正则化
        4.3.6 训练
    4.4 实验结果与分析
        4.4.1 数据集介绍
        4.4.2 对比基线算法
        4.4.3 评估指标和实现细节
        4.4.4 实验结果分析
        4.4.5 T-SNE降维可视化分析
        4.4.6 距离变化分析
    4.5 本章小结
第5章 总结和展望
    5.1 工作总结
    5.2 未来展望
参考文献
致谢
攻读硕士期间发表论文及科研工作



本文编号：4035269