基于因子分解模型的推薦技術(shù)研究.pdf

1、個(gè)性化推薦技術(shù)的廣泛利用大大提高了用戶與網(wǎng)站的交互能力，不但使得網(wǎng)站能夠精準(zhǔn)的推薦給用戶有效的信息，還能夠使用戶在更短的時(shí)間內(nèi)發(fā)現(xiàn)對自己有價(jià)值的信息，引起了商業(yè)界和學(xué)術(shù)界的廣泛關(guān)注和深入研究。因子分解技術(shù)作為典型的基于模型的推薦方法，也是推薦領(lǐng)域的研究熱點(diǎn)?；谝蜃臃纸獾耐扑]方法在預(yù)測準(zhǔn)確的同時(shí)保持了良好的可擴(kuò)展性，且在多種真實(shí)情景應(yīng)用中均有良好的可適應(yīng)性。
　　在此背景下，本文對基于因子分解模型的推薦技術(shù)展開了細(xì)致的研究，取得的

2、主要成果有:
　　(1)以傳統(tǒng)的在用戶-項(xiàng)目評分矩陣上基于因子分解的推薦方法為出發(fā)點(diǎn)，提出了基于關(guān)系圖鄰接矩陣低秩逼近的模型。從用戶和項(xiàng)目的相似性空間一致性角度出發(fā)分別對兩個(gè)特征矩陣進(jìn)行約束，在保持高維表征空間與低維隱性空間的一致性關(guān)系的同時(shí)，可以一定程度上避免局部過擬合問題，有效地提高了基于關(guān)系圖的協(xié)同過濾推薦系統(tǒng)的性能;
　　(2)傳統(tǒng)方法將標(biāo)簽信息作為用戶偏好模型的偏向性指導(dǎo)，只對評分矩陣進(jìn)行小范圍調(diào)整，而本文則進(jìn)一步

3、挖掘標(biāo)簽信息，提出融合標(biāo)簽信息的因子分解推薦方法，將標(biāo)簽信息又細(xì)分為用戶-標(biāo)簽信息和項(xiàng)目-標(biāo)簽信息，并映射到低維空間分別對用戶特征矩陣和項(xiàng)目特征矩陣作約束，不僅可以增加數(shù)據(jù)多樣性，緩解數(shù)據(jù)高維且稀疏帶來的計(jì)算問題，而且使推薦結(jié)果更加個(gè)性化;
　　(3)提出了強(qiáng)化用戶畫像區(qū)分度的推薦方法，將聚類信息應(yīng)用到矩陣因子分解的推薦方法中，產(chǎn)生的用戶畫像與用戶隱特征矩陣作約束，強(qiáng)化了用戶畫像的區(qū)分度，產(chǎn)生一定的修正效果，使得其更符合用戶特征偏