基于學習自動機的隱語義模型推薦算法改進研究.pdf

1、推薦算法（Recommendation Algorithm）的目的是將最可能引起用戶興趣的物品推薦給用戶，從而使用戶和供應商都得到利益最大化。隨著電商時代和大數據時代的到來，推薦算法的好壞越來越成為一個網站或應用成功與否的重要因素之一。
　　隱語義模型（Latent Factor Model，LFM）推薦算法由于自適應性能好、預測準確性高，已成為推薦算法研究領域的一個熱點，在評分預測、TopN推薦等兩種典型推薦算法應用場景下都展示

2、了可觀的應用前景。然而，隱語義模型推薦算法在性能上尚存在改進提升空間。為此，本文針對隱語義模型推薦算法展開進一步研究，并將其應用于評分預測、TopN推薦。
　　隱語義模型在實際使用前需要對用戶偏好模型進行訓練，目前使用的訓練方法是梯度下降法。有鑒于此，本文首先針對隱語義模型的訓練過程進行研究，結合學習自動機（Learning Automata，LA）具有全局收斂性好、抗噪聲能力強的優(yōu)點，對現(xiàn)有隱語義模型的典型訓練算法進行改進，給出

3、了CALA-TM訓練算法，并將其應用于評分預測。仿真結果表明，基于該改進算法，可以在評分矩陣較稀疏的情況下提高預測準確度。
　　更進一步，考慮上述CALA-TM訓練算法存在收斂速度較慢的局限性，本文將梯度下降算法與學習自動機相結合，進一步對訓練算法加以改進，給出了基于學習自動機與梯度下降算法相結合的訓練算法LAGD-TM，并也將其應用于預測評分。仿真結果表明，該訓練算法可以提高CALA-TM訓練過程中的誤差下降速度，減少模型訓練時