基于矩陣分解的推薦系統(tǒng)模型和算法改進研究.pdf_第1頁
已閱讀1頁,還剩73頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、互聯(lián)網(wǎng)的飛速發(fā)展使人們仿佛置身于信息的海洋,信息超載已經(jīng)成為了人們不容忽視的問題。由于推薦系統(tǒng)能在一定程度上有效解決信息超載的問題,因而我們在電子商務(wù)、新聞、音樂、電影視頻、社交網(wǎng)絡(luò)、個性化廣告等各大領(lǐng)域中都能看到推薦系統(tǒng)的身影。推薦系統(tǒng)技術(shù)在工業(yè)界獲得了巨大的成功,同時也吸引了學(xué)術(shù)界眾多學(xué)者的廣泛關(guān)注。
  矩陣分解是近些年來推薦系統(tǒng)領(lǐng)域中應(yīng)用最多也是效果最好的技術(shù)之一,但矩陣分解的傳統(tǒng)模型仍然還有一些局限和不足,例如正則化參數(shù)

2、的取值難以抉擇、預(yù)測評分可能越界等問題。為了克服這些缺陷,本文針對矩陣分解的傳統(tǒng)模型MFviaUCSTR進行了相應(yīng)的研究和改進。
  本文首先用待優(yōu)化變量的界約束取代矩陣分解傳統(tǒng)模型中的正則化項,提出了基于有約束優(yōu)化問題的改進模型MFviaCSTR。MFviaCSTR不僅避免了正則化參數(shù)的選值難題,而且其預(yù)測評分也不會出現(xiàn)越界現(xiàn)象。其次結(jié)合梯度下降算法與可行方向法,提出了MFviaCSTR的求解算法。進一步地,通過與傳統(tǒng)模型MFv

3、iaUCSTR的對比實驗,說明了MFviaCSTR的可行性和優(yōu)越性。
  本文還將改進模型MFviaCSTR應(yīng)用到了大數(shù)據(jù)背景下的推薦系統(tǒng)預(yù)測評分問題。在隨機梯度下降算法的基礎(chǔ)上,通過結(jié)合可行方向法以及考慮不同的選擇樣本策略和誤差函數(shù),設(shè)計了三種針對改進模型的求解算法方案及框架——SGD_FDM、SGD_HSSS和SGD_EFSCR。最后,本文利用具體的推薦系統(tǒng)標(biāo)準(zhǔn)數(shù)據(jù)集進行實驗,分別從預(yù)測準(zhǔn)確度、時間效率等方面綜合比較和分析了幾

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論