矩陣分解在推薦系統(tǒng)中的研究與應(yīng)用.pdf

1、自人類在20世紀末期邁入信息時代以來，互聯(lián)網(wǎng)蓬勃發(fā)展，人們的日?；顒优c互聯(lián)網(wǎng)的聯(lián)系變得更加緊密，一方面用戶享受網(wǎng)絡(luò)帶來的快捷和便利，另一方面互聯(lián)網(wǎng)中的信息也越來越多，人們難以在海量數(shù)據(jù)中找到自己所需的信息，這就是“信息過載”問題。
　　隨著個性化推薦系統(tǒng)的誕生，上述問題得到了有效地緩解。目前最為常見的推薦算法是協(xié)同過濾，它使用多個用戶提供的評分中的“協(xié)同能力”給用戶進行推薦。自從2007年基于矩陣分解模型的推薦算法被提出以來，科研

2、人員投入了大量的精力對矩陣分解模型進行了研究，如今已成為了推薦領(lǐng)域的熱點話題。矩陣分解最為顯著地優(yōu)點是在稀疏數(shù)據(jù)集下也能保持良好的推薦性能，然而推薦的結(jié)果難以解釋，有時難以讓用戶信服。本論文在第三章詳細介紹和分析了四種常見的矩陣分解模型，并在Movielens數(shù)據(jù)集上通過實驗定量比較了它們的推薦性能。
　　在使用隱式反饋數(shù)據(jù)進行推薦時，由于訓練集中沒有負樣本，常常會導致模型出現(xiàn)顯著的過擬合情況，而將所有用戶未操作的物品作為負樣本時

3、結(jié)果往往又會產(chǎn)生較大的偏倚，這種訓練中沒有負樣本的情況被稱為單類協(xié)同過濾問題。本論文針對這個問題提出了一種利用流行度、社交網(wǎng)絡(luò)和用戶評論進行負樣本選擇的采樣方法 NegSec，通過利用這些輔助信息盡可能從用戶沒有過操作行為的物品中甄別出用戶真正不喜歡的物品，將其作為訓練負樣本。在豆瓣電影數(shù)據(jù)集上對算法效果進行驗證，利用NegSec算法所提取的負樣本訓練出的矩陣分解推薦模型能達到15.7％的準確率，是隨機提取算法的兩倍。
　　本論文

4、在深度學習與矩陣分解模型相結(jié)合的探索中也做了一些努力，提出了一種利用文本信息并結(jié)合深度學習的矩陣分解推薦算法DLPMF，算法主要利用深度學習中的卷積神經(jīng)網(wǎng)絡(luò)對文本信息進行建模，提取文本信息中的特征，并將所提取的文本特征與矩陣分解后的物品隱含向量進行關(guān)聯(lián)，其實質(zhì)是改變了原有代價函數(shù)中針對物品的正則化項。通過在豆瓣數(shù)據(jù)集上的多組實驗證明，DLPMF算法有效利用了用戶的評論信息，在RMSE指標上達到0.9左右，比PMF算法在預(yù)測性能上提升了4