利用矩阵分解算法建模数据稀疏环境下用户协同行为

发布时间：2017-09-17 04:00

  本文关键词：利用矩阵分解算法建模数据稀疏环境下用户协同行为

  更多相关文章： 推荐系统 矩阵分解 排序学习 稀疏性

【摘要】：随着近几年来社交媒体的流行,信息的产生、传播、分享变得越发容易。人们只需要通过发布微博,更新自己的社交状态就能同来自世界各地的人们通信,交朋友,甚至进行商业贸易。电子商务的盛行,网络购物正逐渐地成为人们生活中不可或缺的一部分,也在颠覆着传统的产业结构。然而,人们在受益于信息爆炸所带来的便利的同时,也在面临信息过载所带来的困扰:该如何从庞大的信息池中获取有价值的资源呢?推荐系统的出现正是为了解决这个问题,也在逐渐成为很多商业应用的重要组件,自动地通过分析用户偏好,为人们推送最为喜欢,符合个人口味的信息。本文主要探讨推荐系统研发过程中所面临的数据稀疏性问题,并从评分预测和排序预测的角度探讨了如何设计缓解该问题的个性化算法。本文的主要贡献如下:1.探讨了如何利用矩阵分解算法刻画用户评分决策过程,从反馈数据中进一步捕捉用户与物品以外信息的交互作用,缓解显性评分反馈不足所带来的预测缺陷,并设计了相应的实验。2.研究如何利用排序学习解决比传统协同过滤数据稀疏性更为严重的,需要处理三元张量关系的协同检索任务。在两份真实数据集的结果显示,我们提出的算法能够有效提升预测准确度,尤其是对那些信息含量很少的物品。3.为Pairwise排序学习在推荐算法的应用提出了一种基于物品的采样策略,并进一步定义了一种自适应采样策略,提高了采样效果的同时,也改善了Pairwise算法在稀疏数据上的预测准确率。
【关键词】：推荐系统 矩阵分解 排序学习 稀疏性
【学位授予单位】：杭州师范大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3;O151.21
【目录】：

• 致谢4-5
• 摘要5-6
• Abstract6-10
• 1 绪论10-17
• 1.1 推荐系统研究背景及意义10-12
• 1.2 稀疏环境下推荐系统研究综述12-14
• 1.3 本文研究内容和创新点14-15
• 1.4 数据集介绍15-16
• 1.4.1 Movielens电影评分数据集15
• 1.4.2 Last.fm音乐收听数据集15-16
• 1.4.3 Yelp商铺评分数据集16
• 1.4.4 Epinions社交网络数据集16
• 1.5 论文结构16-17
• 2 用户评分决策情景的多元线性矩阵分解算法17-28
• 2.1 概述17-18
• 2.2 用户评分决策行为分析18-19
• 2.3 多元线性互作用矩阵分解推荐模型19-23
• 2.3.1 矩阵分解算法预览19-22
• 2.3.2 Multi-linear Interactive Matrix Factorization22-23
• 2.4 实验结果23-27
• 2.4.1 评价指标23-24
• 2.4.2 对比方法简介24-25
• 2.4.3 实验参数设置25-26
• 2.4.4 实验结果分析26-27
• 2.5 本章小结27-28
• 3 协同检索任务中的Top-K物品推荐28-40
• 3.1 概述28-29
• 3.2 三元张量关系29-30
• 3.3 基于物品浅层协同检索张量模型30-34
• 3.4 实验结果34-38
• 3.4.1 实验数据及预处理34-35
• 3.4.2 评价方式35
• 3.4.3 实验设置及对比方法简介35-36
• 3.4.4 实验结果分析36-38
• 3.5 本章小结38-40
• 4 基于物品的贝叶斯Pairwise排序推荐40-50
• 4.1 概述40-41
• 4.2 用户-物品二部图Pairwise关系分析41-42
• 4.3 基于物品贝叶斯排序推荐模型42-45
• 4.3.1 自适应采样策略44-45
• 4.4 实验结果45-48
• 4.4.1 实验数据45
• 4.4.2 评价指标45-46
• 4.4.3 对比方法简介46-47
• 4.4.4 实验结果分析47-48
• 4.5 本章小结48-50
• 5 总结和展望50-51
• 5.1 总结50
• 5.2 展望50-51
• 参考文献51-59

【相似文献】

中国期刊全文数据库 前10条

1 鄂国康;;矩阵分解的一般定理及基本分析[J];西南民族学院学报(自然科学版);1991年04期

2 田钟颖,严克明;矩阵分解在运动分析中的应用初探[J];甘肃工业大学学报;1989年04期

3 王群英;;矩阵分解方法的探究[J];长春工业大学学报(自然科学版);2011年01期

4 张海建;;分布式矩阵分解算法在推荐系统中的研究与应用[J];科技通报;2013年12期

5 李华云;;F范数及矩阵分解实例研究[J];现代情报;2008年10期

6 汤彬;段波;;伽马测井分层解释的单一系数分解法[J];物探化探计算技术;1989年04期

7 陈伯伦;陈];邹盛荣;徐秀莲;;基于矩阵分解的二分网络社区挖掘算法[J];计算机科学;2014年02期

8 范云鹏;周水生;;矩阵分解[J];数学学习与研究;2012年03期

9 贺超波;汤庸;沈玉利;石玉强;;应用非负值矩阵分解模型的社区挖掘方法[J];小型微型计算机系统;2014年06期

10 胡家赣;尺度变换和矩阵分解的收敛性[J];计算数学;1983年01期

中国重要会议论文全文数据库 前2条

1 王春江;钱若军;王人鹏;杨联萍;;矩阵分解在张力集成体系模态分析中的应用[A];第九届全国结构工程学术会议论文集第Ⅰ卷[C];2000年

2 王春江;王人鹏;钱若军;王颖;;矩阵分解技术在体系性态综合分析中的初步应用[A];“力学2000”学术大会论文集[C];2000年

中国博士学位论文全文数据库 前5条

1 李英明;矩阵分解在数据挖掘中的应用[D];浙江大学;2014年

2 赵科科;低秩矩阵分解的正则化方法与应用[D];浙江大学;2012年

3 郭亦鸿;利用穆勒矩阵分解定量测量各向异性介质微观结构[D];清华大学;2014年

4 胡惠轶;基于分解的系统辨识方法研究[D];江南大学;2014年

5 陈根浪;基于社交媒体的推荐技术若干问题研究[D];浙江大学;2012年

中国硕士学位论文全文数据库 前10条

1 秦晓晖;个性化微博推荐方法研究[D];华南理工大学;2015年

2 刘凤林;基于矩阵分解的协同过滤推荐算法研究[D];南京理工大学;2015年

3 李源鑫;基于提升的信任融合矩阵分解推荐算法[D];福建师范大学;2015年

4 陈洪涛;基于矩阵分解的常规与长尾捆绑推荐的博弈研究[D];福建师范大学;2015年

5 张济龙;基于概率矩阵分解的推荐算法研究[D];燕山大学;2015年

6 邓志豪;基于物品相似度和主题回归的矩阵分解推荐算法[D];浙江大学;2015年

7 余露;利用矩阵分解算法建模数据稀疏环境下用户协同行为[D];杭州师范大学;2015年

8 倪泽明;混合用户行为建模的概率矩阵分解推荐算法[D];浙江大学;2015年

9 牛明芝;唯一分解环上的矩阵分解[D];湖南科技大学;2014年

10 封金蕾;基于矩阵分解的显著对象提取算法分析与应用[D];北京交通大学;2012年

，

本文编号：867116