基于隱語義模型的推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網、物聯(lián)網、移動互聯(lián)網的飛速發(fā)展，海量的數(shù)據信息產生了信息過載問題。尤其在大型電影推薦網站，如何通過一種有效的機制來幫助用戶快速的獲取到想要的電影信息，這已成為了當前研究的一大熱點和難點問題，其中推薦系統(tǒng)是其研究的主要內容。
　　目前國內外針對推薦系統(tǒng)的研究主要集中在協(xié)同過濾推薦、基于內容的推薦、基于知識的推薦和組合推薦四個方面。協(xié)同過濾算法以其獨特思想和便捷的計算方式在推薦系統(tǒng)領域得到了廣泛的應用。但隨著系統(tǒng)中用戶和項目

2、規(guī)模的不斷增大，傳統(tǒng)協(xié)同過濾算法在處理效率、稀疏性和拓展性方面存在不足。
　　本文基于協(xié)同過濾中的隱語義模型，首先介紹了模型的理論方法，然后針對評分矩陣高度稀疏的問題，利用k-means算法對模型進行了改進。同時為了提高模型的推薦精度和預測準確率，在模型中加入時間上下文信息。文章主要的工作內容有：1.基于推薦系統(tǒng)的原理和方法，介紹了基于領域的協(xié)同過濾算法和基于模型的協(xié)同過濾算法理論。2.針對用戶評分稀疏問題，利用k-means算法

3、對用戶數(shù)據進行聚類；然后根據聚類結果重構評分矩陣，顯著的降低矩陣維度和稀疏度；最后通過修改模型的評分策略得到改進隱語義模型K-LFM。3.為了提高模型的精度，將時間上下文信息加入到傳統(tǒng)的“用戶-項目”二維推薦過程。通過改變模型的矩陣分解形式，實現(xiàn)對“用戶-項目-時間”三維評分矩陣的分解，在提高模型精度的同時實現(xiàn)了對模型的拓展。4.在movielens數(shù)據集上實驗對比算法的性能，同時借助Hadoop平臺的Mahout組件設計實現(xiàn)了一個推薦