基于用戶關系的矩陣分解推薦算法研究.pdf

1、在互聯(lián)網信息量以不可估量的速度增長的時代，用戶在混雜各種各樣信息的信息池中找到所需的內容已然成為一個棘手的問題。針對這一問題，推薦系統(tǒng)被提出。推薦系統(tǒng)是一種新的計算模型，它試圖從海量信息中過濾出目標用戶可能感興趣的信息。原始的推薦算法普遍基于協(xié)同過濾的思想，這種思路來源于人們在選購商品時的自然法則。通常，用戶對于未知物品束手無策時總是會請教身邊有經驗的人，然后根據這些人的經驗分享判斷物品是否有用。協(xié)同過濾算法將這種思想運用在推薦系統(tǒng)上。

2、然而，協(xié)同過濾主要存在三類問題:數據稀疏性高、冷啟動以及系統(tǒng)的可擴展性。為緩解上述問題，基于社會網絡的推薦系統(tǒng)應運而生。社會網絡的形成是通過人們在互聯(lián)網上的交互行為，這種用戶關系從各方面體現了人們在真實社會中的人際關系。因此，將社會網絡與推薦系統(tǒng)組合形成基于社會網絡的推薦系統(tǒng)能夠豐富推薦結果。
　　矩陣分解模型是推薦系統(tǒng)的經典模型，由于其具有良好的可擴展性，使得社會網絡信息易于與該模型結合。在這一機制下，提取相似用戶群體是提高推薦

3、系統(tǒng)準確性的關鍵因素。傳統(tǒng)的相似性函數是評判兩個用戶對于相同物品的反饋行為的相似性，其中，反饋行為的相似性并不能說明兩個用戶具有相似的興趣愛好，而且，該方法忽略了用戶的社會關系的作用。因此，本文通過深入分析用戶間的關聯(lián)程度，提出了兩種新的興趣相似性計算函數，并針對相似性函數的特性分別建立新的社會正則化，最后將其運用在基于矩陣分解的推薦模型中。
　　通過對上述研究工作的深入分析，發(fā)現這兩個新的相似性函數一個反映了用戶間一對一的興趣相