基于矩陣分解的推薦系統(tǒng)模型和算法改進(jìn)研究.pdf

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(jìn)行了相應(yīng)的研究和改進(jìn)。
　　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(jìn)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(jìn)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(jìn)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(jī)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(jìn)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(jìn)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