基于協(xié)同過濾的評分預(yù)測算法研究.pdf

1、隨著互聯(lián)網(wǎng)中用戶、商品、交易記錄、社交信息等一系列數(shù)據(jù)的爆炸式增長，海量規(guī)模的信息資源充斥在網(wǎng)絡(luò)中，容易產(chǎn)生“信息過載”現(xiàn)象。為解決這一問題，個性化推薦技術(shù)應(yīng)運而生，它能夠為用戶提供符合其自身特性的信息服務(wù)和決策支持。
　　協(xié)同過濾算法是個性化推薦技術(shù)中的熱門研究課題，其通過分析用戶行為，在用戶群體中挖掘其他與指定用戶興趣相仿的用戶，綜合這些相似用戶特征對目標物品進行評分，形成推薦模塊對目標物品的評分預(yù)測。然而，隨著數(shù)據(jù)規(guī)模的不斷

2、增長，協(xié)同過濾推薦算法也面臨一系列挑戰(zhàn)，諸如數(shù)據(jù)稀疏性問題、擴展性問題、推薦準確性問題等。
　　本文深入研究基于模型的協(xié)同過濾推薦算法中的數(shù)據(jù)稀疏性、可擴展性問題，并對基于受限玻爾茲曼機和基于矩陣奇異值分解的評分預(yù)測推薦算法進行改進。主要工作包括:
　　第一，對傳統(tǒng)協(xié)同過濾推薦算法的體系結(jié)構(gòu)、發(fā)展現(xiàn)狀展開研究，對基于鄰居相似度和基于模型的協(xié)同過濾推薦算法分別作詳細介紹。深入研究RBM模型的網(wǎng)絡(luò)結(jié)構(gòu)、對比散度訓(xùn)練方法，詳細分析

3、了奇異值分解(SingularValueDecomposition，簡記為SVD)模型的理論方法，對隱語義模型及正則化方法進行了詳細說明。
　　第二，對基于RBM的協(xié)同過濾推薦算法進行改進，加入訓(xùn)練數(shù)據(jù)中用戶瀏覽過但未評分的行為信息，形成基于條件受限玻爾茲曼機(ConditionalRBM，簡記為CRBM)的協(xié)同過濾預(yù)測算法，并對現(xiàn)有的針對用戶的CRBM進行改進，提出針對項目的CRBM模型。實驗結(jié)果表明，改進后針對項目的CRBM算

4、法預(yù)測精度優(yōu)于目前針對用戶的CRBM協(xié)同過濾算法。
　　第三，對基于用戶行為屬性的SVD++預(yù)測模型進行分析與改進，加入用戶歷史行為記錄的潛在信息，用包含用戶喜好的隱性特征向量矩陣替換原SVD模型中的用戶特征向量矩陣，提出非對稱奇異值分解算法(AsymmetricSVD，簡記為ASVD)及其對偶模型，并對提出的預(yù)測模型進行擴展，加入k近鄰關(guān)系形成融合推薦模型進行評分預(yù)測。實驗結(jié)果表明，所提出的融合模型能有效提高推薦系統(tǒng)的預(yù)測精度。