基于非负矩阵分解的鲁棒推荐算法研究

发布时间：2017-08-21 14:14

  本文关键词：基于非负矩阵分解的鲁棒推荐算法研究

  更多相关文章： 托攻击 鲁棒协同过滤 1R范数 损失函数 非负矩阵分解 信息熵 正则化

【摘要】：协同过滤推荐技术面对恶意用户向系统中注入虚假概貌来控制推荐结果的托攻击表现出了脆弱性。虽然已有的研究已经提出来了一些基于矩阵分解的鲁棒推荐算法,但是这些算法仍然表现出来面对托攻击时的脆弱性和推荐精度较低的问题。针对上述问题,本文在已有研究的基础上,从损失函数的构造、用户特征的提取、异常值检测等方面对鲁棒协同过滤算法进行了深入研究,旨在研究推荐精度高、鲁棒性好的鲁棒协同过滤推荐算法。主要贡献包括:第一,提出一种基于非负矩阵分解的协同过滤推荐算法。首先,基于1R范数构造鲁棒正则化损失函数,利用其没有平方项的特点,降低了托攻击对参数估计的影响。其次,在引入非负矩阵分解的迭代更新策略基础上,提出用户、项目特征矩阵的迭代优化方法,从而保证了预测评分的准确性和非负性。再次,构造相应的鲁棒协同过滤算法,并给出了算法的稳定性分析,在理论上证明了推荐算法的稳定性。第二,提出一种基于信息熵和非负矩阵分解的鲁棒推荐算法。首先,基于信息熵衡量信息价值的理论,提出了异常值过滤方法,减小了攻击概貌对参数估计的影响。其次,利用1R范数构造正则项,从而得到更加鲁棒的正则化损失函数,进一步保证了推荐算法的鲁棒性。再次,根据非负矩阵分解的迭代策略,构造了保证评分非负的随机梯度下降的迭代策略,从而得到了准确且预测非负的推荐算法。第三,设计相应的鲁棒协同过滤算法,并在MovieLens数据集上验证算法的有效性并与现有的基于矩阵分解的鲁棒协同过滤算法进行比较。
【关键词】：托攻击 鲁棒协同过滤 1R范数 损失函数 非负矩阵分解 信息熵 正则化
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：O151.21;TP391.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 研究背景和意义11-13
• 1.2 国内外研究现状13-14
• 1.2.1 攻击检测算法的研究现状13
• 1.2.2 鲁棒协同过滤的研究现状13-14
• 1.3 主要研究内容14-15
• 1.4 本文组织结构15-17
• 第2章 基于矩阵分解的鲁棒推荐算法和相关理论知识17-22
• 2.1 传统的基于矩阵分解的协同过滤模型17-18
• 2.2 非负矩阵分解算法18-19
• 2.3 攻击模型19-20
• 2.4 符号描述20-21
• 2.5 本章小结21-22
• 第3章 基于非负矩阵分解的鲁棒推荐算法22-31
• 3.1 引言22
• 3.2 鲁棒损失函数22-24
• 3.3 鲁棒正则化损失函数24-25
• 3.4 RCF-NMF算法描述25-27
• 3.5 RCF-NMF算法的时间复杂度分析27
• 3.6 推荐算法稳定性分析27-29
• 3.7 推荐算法鲁棒性分析29-30
• 3.8 本章小结30-31
• 第4章 基于信息熵的鲁棒非负矩阵推荐算法31-40
• 4.1 引言31
• 4.2 基于信息熵理论的检测算法31-33
• 4.2.1 背景知识31-32
• 4.2.2 基于信息熵的异常值过滤32-33
• 4.2.3 基于信息熵异常值检测的算法描述33
• 4.3 改进的正则化损失函数33-38
• 4.3.1 鲁棒正则化损失函数33-36
• 4.3.2 基于鲁棒正则化损失函数的评分预测算法描述36-38
• 4.4 IE-RNMF算法的时间复杂度分析38
• 4.5 本章小结38-40
• 第5章 实验与评价40-52
• 5.1 实验数据40
• 5.2 实验环境40-41
• 5.3 实验设置41
• 5.4 评价指标41-42
• 5.5 基于非负矩阵分解的鲁棒推荐算法对比实验及结果分析42-47
• 5.5.1 对比算法简介42
• 5.5.2 RCF- NMF参数选取42-43
• 5.5.3 RCF-NMF准确性比较43-45
• 5.5.4 RCF-NMF鲁棒性比较45-47
• 5.6 基于信息熵理论的鲁棒协同过滤算法性能分析47-51
• 5.6.1 IE-RNMF对比算法简介47
• 5.6.2 IE-RNMF准确性比较47-49
• 5.6.3 IE- RNMF鲁棒性比较49-51
• 5.7 本章小结51-52
• 结论52-54
• 参考文献54-58
• 攻读硕士学位期间承担的科研任务与主要成果58-59
• 致谢59-60
• 作者简介60

【相似文献】

中国期刊全文数据库 前10条

1 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

2 吕善国;吴效葵;曹义亲;;基于网络结构的推荐算法[J];实验室研究与探索;2012年07期

3 苏莹;刘建国;郭强;田大钢;;考虑负面评价的个性化推荐算法研究[J];运筹与管理;2012年06期

4 崔春生;;基于泛函网络的组合推荐算法[J];系统工程理论与实践;2014年04期

5 周佳;罗铁坚;;一种基于内容关联的学术资源协同推荐算法[J];中国科学院研究生院学报;2013年01期

6 高灵渲;张巍;霍颖翔;滕少华;;改进的聚类模式过滤推荐算法[J];江西师范大学学报(自然科学版);2012年01期

7 李汶华;熊晓栋;郭均鹏;;一种基于案例推理和协商的群体推荐算法[J];系统工程;2013年11期

8 廖春华;杜建强;程春雷;李智彪;;改进的偏最小二乘回归推荐算法[J];江西师范大学学报(自然科学版);2012年06期

9 范进;;基于多元混合准则模糊模型的个性化推荐算法[J];华东经济管理;2007年02期

10 朱楠;;个性化推荐算法在网络教学中的应用[J];科技通报;2013年04期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：713359