基于遷移學習的協(xié)同過濾推薦算法研究.pdf

1、推薦系統(tǒng)是解決信息過載的有效途徑,它應用已有的用戶歷史評價行為對用戶實施個性化推薦。推薦算法作為推薦系統(tǒng)的核心,它的性能直接決定著推薦系統(tǒng)的好壞。協(xié)同過濾推薦算法是推薦系統(tǒng)應用最為廣泛和成功的技術之一。然而,隨著用戶數(shù)和項目數(shù)不斷地增加,協(xié)同過濾技術遇到了數(shù)據(jù)稀疏性、可擴展性等挑戰(zhàn)。為了緩解數(shù)據(jù)稀疏性的問題,遷移學習通過應用具有較多訓練數(shù)據(jù)的輔助領域學習到的知識,遷移到目標領域中以幫助提高目標領域推薦系統(tǒng)的推薦精度。本文從遷移學習的角度

2、研究協(xié)同過濾算法,提出了三個遷移學習模型,分別適應目標領域和輔助領域數(shù)據(jù)分別的不同情形。
　　(1)為了提高傳統(tǒng)協(xié)同過濾推薦算法的用戶興趣相似度計算的準確性,構建了一種用戶興趣相似度遷移的協(xié)同過濾模型,利用輔助領域的用戶興趣相似度幫助目標領域用戶興趣相似度的學習。分析了模型中影響平衡參數(shù)大小的因素,并提出了一種特征子空間的距離近似地估計該平衡參數(shù),提高了模型的智能性。通過真實數(shù)據(jù)的實驗驗證,模型能夠準確地計算目標領域的用戶興趣相似

3、度,從而提高了推薦系統(tǒng)的推薦精度。
　　(2)為了幫助目標領域用戶評價特征的學習,在矩陣分解模型的基礎上提出了一種基于用戶特征遷移的協(xié)同過濾推薦算法。采用SOFT-IMPUTE算法解決輔助領域中帶核數(shù)的最小均方問題,并以此構造輔助領域的用戶特征。設計了一種快速收斂的Wiberg算法求解用戶特征遷移模型。同樣通過實驗驗證,該模型能夠有效地對輔助領域的用戶特征進行遷移,顯著提高了目標領域的推薦質量。
　　(3)為了解決輔助領域和

4、目標領域用戶特征維度可能不一致的情形,構建了一種用戶特征子空間遷移的協(xié)同過濾推薦算法。利用輔助領域的用戶特征子空間到目標領域用戶特征空間的投影距離來度量不同領域間的用戶特征的相似度,在此基礎上對輔助領域的用戶特征子空間進行遷移。此外,提出了一個迭代算法對目標模型的最優(yōu)化問題進行求解。仍然通過真實的數(shù)據(jù)進行實驗驗證,該方法能夠有效的緩解數(shù)據(jù)稀疏性的問題。
　　通過以上的研究工作,在一定程度上有效地緩解了協(xié)同過濾算法遇到的稀疏性問題,