基于混合模型的推薦系統的研究.pdf

1、伴隨大數據時代的到來，人們每天面臨著海量數字信息，信息過載問題日益嚴重。傳統的獲取信息的方式是傳統的門戶網站和通過搜索引擎主動搜索，這已經不能及時滿足人們對有效信息的獲取。推薦系統的出現和發(fā)展帶來了獲取信息方式的改變。最初的推薦技術被用在電子商務網站中，如亞馬遜，淘寶網的購物推薦。隨著Web發(fā)展，推薦技術被用到新聞，視頻，音樂，問答等各種Web應用中，幫助人們從海量信息中及時獲取所需信息。
　　隨著網絡中推薦應用越來越廣泛，推薦算

2、法的研究也在逐漸深入。學術界研究最多的是協同過濾算法，包括基于記憶的方法，如基于用戶的KNN算法，基于物品KNN算法等，基于模型的方法，比如矩陣分解MF算法，SVD++算法，基于社交因素約束的矩陣分解(SocailRegular-FM)算法等。單一模型及其變種的研究很多而且成熟。改進模型的研究仍為今后研究重點。但是，單一的模型算法僅僅能抓住函數假設空間的部分特征，混合幾種模型來做推薦的研究方向越來越受重視。本課題對以上單個模型和模型混合

3、技術均做出了研究。
　　本課題的主要工作如下，我們對已有基礎模型做出研究和實現，將代碼組合起來最終實現一推薦引擎庫，我們稱為JRSLib庫。課題改進利用輔助信息改進了物品相似度公式。社交因素越來越被推薦系統重視，課題對基于社交因素約束模型做出研究，之后提出了基于社交興趣組約束的模型，通過概率潛語義分析模型(PLSA)學習興趣組，使興趣組內的成員的興趣向量盡可能的相似。對模型混合技術，線性回歸和梯度提升決策樹(GBDT)做出研究，分