基于圖模型的協(xié)同過濾推薦技術(shù)研究.pdf

1、互聯(lián)網(wǎng)的飛速發(fā)展豐富了網(wǎng)絡(luò)信息資源，給人們獲取信息帶來便捷。然而隨著網(wǎng)絡(luò)資源的不斷增多，用戶在海量信息中定位有價值信息也變得更加困難，由此造成嚴(yán)重的信息過載問題。為了協(xié)助網(wǎng)絡(luò)用戶更快捷有效的獲取有價值信息，推薦技術(shù)應(yīng)用而生。推薦技術(shù)是研究如何根據(jù)用戶興趣特點和相關(guān)行為，向用戶推薦其感興趣信息的一種應(yīng)用技術(shù)。
　　作為目前應(yīng)用最為廣泛的推薦技術(shù)之一，協(xié)同過濾技術(shù)在推薦系統(tǒng)中得到了廣泛的應(yīng)用。本文針對傳統(tǒng)的協(xié)同過濾推薦技術(shù)常遇到的稀疏

2、性、可擴(kuò)展性、冷啟動問題，對基于圖模型的協(xié)同過濾技術(shù)開展研究。本文完成的成果性工作包括：
　　1.針對協(xié)同過濾技術(shù)中原始評分空間數(shù)據(jù)稀疏而導(dǎo)致的用戶和對象相似性度量不準(zhǔn)確的問題，提出了一種基于用戶圖和對象圖交互式傳遞的協(xié)同過濾方法，將用戶關(guān)系信息和對象關(guān)系信息以交互式的方式傳遞到‘用戶-對象’評分信息空間中，改善原始評分空間的稀疏性問題，進(jìn)而改善推薦性能。
　　2.以基于矩陣分解(Matrix factorization)模

3、型的協(xié)同過濾推薦技術(shù)為基礎(chǔ)，提出了一種基于圖約束的矩陣分解模型。該模型中通過同時引入用戶圖約束和對象圖約束，從而保證了用戶關(guān)系和對象關(guān)系在原始特征空間與經(jīng)矩陣分解得到的低維本征空間結(jié)構(gòu)上的一致性。針對該模型的求解，不同于傳統(tǒng)的交替求解方法，本文提出了一種新穎的序貫式求解方法，以保證算法收斂的穩(wěn)定性。
　　3.針對具有圖約束的矩陣分解模型中的可擴(kuò)展性問題，提出了一種對活躍用戶低維本征描述的在線學(xué)習(xí)方案，以避免在線重新進(jìn)行矩陣分解所帶