結(jié)合時間序列的協(xié)同主題回歸推薦算法研究.pdf

1、隨著信息過載的產(chǎn)生，在越來越開放的互聯(lián)網(wǎng)中，想要獲取我們真正需要的信息變得越來越困難，個性化推薦的出現(xiàn)有效地解決了信息過載的問題，主動為用戶推薦其感興趣的信息和商品。協(xié)同過濾是個性化推薦中使用最廣泛的方法，但由于協(xié)同過濾通常只將用戶-項(xiàng)目評分作為推薦的唯一數(shù)據(jù)信息，因此存在冷啟動、數(shù)據(jù)稀疏等問題。
　　本文在一個結(jié)合主題模型(LDA)和矩陣分解模型(PMF)的分層貝葉斯模型——協(xié)同主題回歸模型(CTR)的基礎(chǔ)上，使用其中的主題模型

2、對項(xiàng)目的標(biāo)簽信息進(jìn)行處理，并對概率矩陣分解模型進(jìn)行改進(jìn)，不僅考慮用戶-項(xiàng)目的評分信息，還將用戶的信任關(guān)系、時間序列、項(xiàng)目的標(biāo)簽信息等其他對推薦具有影響的因素加入到模型中。用戶可以根據(jù)好友及其信任用戶的推薦選擇自己感興趣的商品，基于時間因素的用戶評價先后關(guān)系也會對用戶的選擇產(chǎn)生影響，將時間序列對用戶關(guān)系的影響與好友間的信任度線性融合并加入到PMF模型中，生成用戶潛在特征向量。此外用戶對項(xiàng)目定義的標(biāo)簽信息在一定程度上也可以反映用戶的偏好，因

3、此利用主題模型LDA處理項(xiàng)目的標(biāo)簽文本信息得到項(xiàng)目的潛在特征向量。最后將改進(jìn)的LDA和PMF模型的特點(diǎn)融合在CTR模型中，根據(jù)CTR模型的原理提出N-CTR模型，并采用梯度下降方法和最大期望算法最優(yōu)化用戶、項(xiàng)目潛在特征矩陣和主題分布向量，進(jìn)行評分預(yù)測。
　　在Last.fm數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示混合了用戶信任關(guān)系、時間序列、項(xiàng)目標(biāo)簽信息和評分?jǐn)?shù)據(jù)等多因素的N-CTR模型的推薦準(zhǔn)確率MAE和RMSE比只采用用戶-項(xiàng)目評分?jǐn)?shù)據(jù)