融合卷积神经网络与矩阵分解的推荐算法研究与应用
发布时间：2021-09-22 02:04
随着互联网信息呈现出爆发式增长,信息过载日益严重,人们使用传统方式越来越难以找到目标信息,推荐系统应运而生。尤其以协同过滤算法为代表的推荐系统深受关注,协同过滤算法因其基于现实世界中“人以类聚、物以群分”的特征通过用户评分信息从而为兴趣相近的用户产生个性化推荐服务。但是协同过滤算法受评分数据稀疏性和冷启动等问题限制,导致推荐精度不高。因此,本文针对协同过滤算法的瓶颈问题,主要做了以下工作。（1）提出一种基于用户和项目的混合协同过滤推荐算法。该算法融合了基于用户和基于项目的两种协同过滤算法,主要对计算用户间和项目间相似度的方法上做出改进,通过加入共同评分惩罚因子进而缓解在相似度计算时对共同评分数目不敏感的问题,进而减小相似度计算的误差。同时引入时间自适应权重函数来解决用户兴趣飘逸问题,并在公开电影数据集Movie Lens对该算法进行验证,实验结果表明,MAE值降低到0.71,评分预测的准确度较协同过滤算法提升了5.7%。（2）提出一种融合卷积神经网络和矩阵分解的个性化推荐算法。使用卷积神经网络学习用户和项目的特征,通过提取关于用户和项目的隐关系特征矩阵信息替换掉矩阵分解中的隐式特征矩阵...
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
不同阈值δ对应的MAE曲线图
25图3-2不同算法对应的MAE曲线图从表3-6和图3-2可以看出，改进后的协同过滤算法随着近邻数目k的增加，平均绝对误差MAE逐渐减小，但当k的值超过30时，MAE的基本上稳定甚至会稍微上升的趋势。这说明如果引入过多的近邻用户，不利于提高推荐质量，因为这些近邻用户中可能存在过多与目标用户兴趣不一致的用户，使得推荐的准确率下降。因此，选取合理的近邻用户数目，对推荐结果的准确度影响是非常大的。实验三：评分权重调节因子μ对混合协同过滤算法的影响。根据公式（3-5）分别得到MUser-CF算法、MItem-CF算法的预测评分，然后将两个改进的协同过滤算法得到的预测评分赋予一定的权重值，然后按照权重大小进行线性加权运算，通过调整预测评分权重因子μ的大小使平均绝对误差MAE降到最低来验证MUser-MItem-CF混合协同过滤算法的有效性。由于μ的取值是从0到1，因此本实验采用穷举的方法，μ的值的选取采用步长为0.1从0到1。而具体的MAE随着权重调节参数的变化情况如表3-7和图3-3所示。
26表3-7MAE随权重因子μ的变化结果μ/k102030500.10.7422620.7272810.7272750.7352750.20.7330700.7190450.7207560.7287560.30.7288380.7139120.71324260.72324260.40.7204820.7103930.7059460.7159460.50.7204870.7138160.70943820.71743820.60.7205970.7151320.7115430.7175430.70.7251890.7179460.71324260.7204120.80.7323560.72043820.7159460.7253210.90.7369210.7235430.7160820.7295101.00.7371010.7309440.7165430.730124图3-3MAE随权因子μ的变化曲线通过表3-7和图3-3所示，当μ的取值为0.4时。平均绝对误差MAE最小，则说明在改进的混合协同过滤MUser-MItem-CF中，MItem-CF算法要比MUser-CF算法占的比重要大。也验证了MItem-CF算法预测的评分准确度要优于MUser-CF算法预测的评分。实验四：不同模型性能的比较。通过实验一、实验三分别确定了共同评分惩罚因子δ和评分权重因子μ，在共同评分惩罚因子δ和评分权重因子μ确定的情况下，通过实验来比较改进的混合协同过滤算法（MUser-MItem-CF）和User-CF算法、Item-CF算法的性能，则对应的平均绝对误差MAE比较如表3-8和图3-4所示。
【参考文献】：
期刊论文
[1]用于个性化推荐的条件卷积隐因子模型[J]. 李南星,盛益强,倪宏. 计算机工程. 2020(04)
[2]基于用户评分差异性和相关性的协同过滤推荐算法[J]. 王劲松,蔡朝晖,李永凯,刘树波. 计算机科学. 2018(05)
[3]基于改进用户相似性度量和评分预测的协同过滤推荐算法[J]. 李昆仑,万品哲,张德智. 小型微型计算机系统. 2018(03)
[4]基于动态卷积概率矩阵分解的潜在群组推荐[J]. 王海艳,董茂伟. 计算机研究与发展. 2017(08)
[5]个性化信息推荐方法研究[J]. 姜信景,齐小刚,刘立芳. 智能系统学报. 2018(02)
[6]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[7]基于人口统计学的改进聚类模型协同过滤算法[J]. 王媛媛,李翔. 计算机科学. 2017(03)
[8]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[9]基于用户多属性与兴趣的协同过滤算法[J]. 赵文涛,王春春,成亚飞,孟令军,赵好好. 计算机应用研究. 2016(12)
[10]嵌入LDA主题模型的协同过滤推荐算法[J]. 高娜,杨明. 计算机科学. 2016(03)
硕士论文
[1]深度协同过滤算法在推荐系统中的研究与应用[D]. 崔军磊.郑州大学 2019
[2]基于混合协同过滤的个性化电影推荐系统研究[D]. 刘文佳.武汉理工大学 2018
[3]基于用户动态偏好的异构隐式反馈推荐算法研究[D]. 张恒.浙江大学 2017
[4]电影个性化推荐系统的研究与实现[D]. 贾忠涛.西南科技大学 2015
[5]基于时间效应和用户兴趣变化的改进推荐算法研究[D]. 孙光辉.北京邮电大学 2014
本文编号：3402916
【文章来源】：河南大学河南省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
不同阈值δ对应的MAE曲线图
25图3-2不同算法对应的MAE曲线图从表3-6和图3-2可以看出，改进后的协同过滤算法随着近邻数目k的增加，平均绝对误差MAE逐渐减小，但当k的值超过30时，MAE的基本上稳定甚至会稍微上升的趋势。这说明如果引入过多的近邻用户，不利于提高推荐质量，因为这些近邻用户中可能存在过多与目标用户兴趣不一致的用户，使得推荐的准确率下降。因此，选取合理的近邻用户数目，对推荐结果的准确度影响是非常大的。实验三：评分权重调节因子μ对混合协同过滤算法的影响。根据公式（3-5）分别得到MUser-CF算法、MItem-CF算法的预测评分，然后将两个改进的协同过滤算法得到的预测评分赋予一定的权重值，然后按照权重大小进行线性加权运算，通过调整预测评分权重因子μ的大小使平均绝对误差MAE降到最低来验证MUser-MItem-CF混合协同过滤算法的有效性。由于μ的取值是从0到1，因此本实验采用穷举的方法，μ的值的选取采用步长为0.1从0到1。而具体的MAE随着权重调节参数的变化情况如表3-7和图3-3所示。
26表3-7MAE随权重因子μ的变化结果μ/k102030500.10.7422620.7272810.7272750.7352750.20.7330700.7190450.7207560.7287560.30.7288380.7139120.71324260.72324260.40.7204820.7103930.7059460.7159460.50.7204870.7138160.70943820.71743820.60.7205970.7151320.7115430.7175430.70.7251890.7179460.71324260.7204120.80.7323560.72043820.7159460.7253210.90.7369210.7235430.7160820.7295101.00.7371010.7309440.7165430.730124图3-3MAE随权因子μ的变化曲线通过表3-7和图3-3所示，当μ的取值为0.4时。平均绝对误差MAE最小，则说明在改进的混合协同过滤MUser-MItem-CF中，MItem-CF算法要比MUser-CF算法占的比重要大。也验证了MItem-CF算法预测的评分准确度要优于MUser-CF算法预测的评分。实验四：不同模型性能的比较。通过实验一、实验三分别确定了共同评分惩罚因子δ和评分权重因子μ，在共同评分惩罚因子δ和评分权重因子μ确定的情况下，通过实验来比较改进的混合协同过滤算法（MUser-MItem-CF）和User-CF算法、Item-CF算法的性能，则对应的平均绝对误差MAE比较如表3-8和图3-4所示。
【参考文献】：
期刊论文
[1]用于个性化推荐的条件卷积隐因子模型[J]. 李南星,盛益强,倪宏. 计算机工程. 2020(04)
[2]基于用户评分差异性和相关性的协同过滤推荐算法[J]. 王劲松,蔡朝晖,李永凯,刘树波. 计算机科学. 2018(05)
[3]基于改进用户相似性度量和评分预测的协同过滤推荐算法[J]. 李昆仑,万品哲,张德智. 小型微型计算机系统. 2018(03)
[4]基于动态卷积概率矩阵分解的潜在群组推荐[J]. 王海艳,董茂伟. 计算机研究与发展. 2017(08)
[5]个性化信息推荐方法研究[J]. 姜信景,齐小刚,刘立芳. 智能系统学报. 2018(02)
[6]个性化推荐系统综述[J]. 刘辉,郭梦梦,潘伟强. 常州大学学报(自然科学版). 2017(03)
[7]基于人口统计学的改进聚类模型协同过滤算法[J]. 王媛媛,李翔. 计算机科学. 2017(03)
[8]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[9]基于用户多属性与兴趣的协同过滤算法[J]. 赵文涛,王春春,成亚飞,孟令军,赵好好. 计算机应用研究. 2016(12)
[10]嵌入LDA主题模型的协同过滤推荐算法[J]. 高娜,杨明. 计算机科学. 2016(03)
硕士论文
[1]深度协同过滤算法在推荐系统中的研究与应用[D]. 崔军磊.郑州大学 2019
[2]基于混合协同过滤的个性化电影推荐系统研究[D]. 刘文佳.武汉理工大学 2018
[3]基于用户动态偏好的异构隐式反馈推荐算法研究[D]. 张恒.浙江大学 2017
[4]电影个性化推荐系统的研究与实现[D]. 贾忠涛.西南科技大学 2015
[5]基于时间效应和用户兴趣变化的改进推荐算法研究[D]. 孙光辉.北京邮电大学 2014
本文编号：3402916
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3402916.html
