基于改進矩陣分解的推薦算法研究.pdf

1、在當今網(wǎng)絡和電商競技的時代，推薦系統(tǒng)變得越來越有意義，尤其是在如今信息暴漲的時代，推薦系統(tǒng)的作用尤為突出。它能夠快速幫助用戶在海量數(shù)據(jù)中獲取到有用信息，從而將用戶感興趣的物品推薦給他，這極大的節(jié)約了用戶的時間，方便了用戶找尋需要之物。推薦系統(tǒng)的核心在于推薦算法，推薦算法通過收集和分析用戶的各種信息記錄來學習用戶的興趣和行為方式，利用數(shù)據(jù)挖掘技術得到用戶的喜好信息，進而為用戶推薦他所需要的物品。因此一個好的推薦算法必須要有高的推薦精度，能

2、夠較精確的捕獲到用戶的興趣特征與偏好，正確推薦。所以，推薦的精確性是衡量一個推薦算法的最重要指標。因此，本文主要以提高推薦算法的精確性為主線，在現(xiàn)有推薦算法的基礎上做了改進和優(yōu)化，以提高算法推薦精確度。
　　本研究主要內(nèi)容包括：⑴介紹了當前常見的推薦算法技術及各自的優(yōu)缺點，對推薦算法中隱語義模型下的矩陣分解(Matrix Factorization，MF)推薦算法做了較深入研究。⑵在深入理解MF算法的基礎上進行改進，提出基于高斯核

3、函數(shù)矩陣分解的推薦算法(GaussianKernel Matrix Factorization， GKMF)以求提高算法預測精度，詳細推導了算法迭代公式，給出了算法流程框圖；此外，通過深入分析實驗數(shù)據(jù)集特點后，考慮在GKMF算法中加入偏置因子，記為GKMF+算法,以期更進一步提高算法預測精度。⑶通過真實數(shù)據(jù)集上不同規(guī)模的電影評分數(shù)據(jù)進行實驗驗證。首先通過實驗結果分析了實驗參數(shù)對于預測結果的影響，為選擇合適的參數(shù)提供依據(jù)和便利。然后在不同