基于概率矩阵分解的协同过滤推荐

摘要

移动互联网的发展让数据信息量爆炸增长，从中挖掘出用户感兴趣的信息是提高用户粘性的关键因素。设计出合适的推荐系统在这一背景下变得愈加重要起来。 协同过滤在推荐中占据着重要的位置，但是许多的协同过滤系统仅仅利用用户对物品的评分信息进行推荐，很难从中挖掘出过多的信息。随着网络的发展及智能手机的普及，获取信息的渠道变得多种多样，能搜集到的用户和物品信息也日趋增加，综合利用多种信息进行推荐成为目前的研究热点。 本文提出了一种基于概率矩阵分解的推荐方法，是一种应用复合信息的协同过滤方法：一方面，通过引入信任度信息对用户潜在特征向量进行约束。信任关系的存在可以很好地弥补评分数据的不足，其本身也是推荐过程中的关键因素。另一方面，使用卷积神经网络对每个项目的描述文档提取特征构造项目潜在特征向量。卷积神经网络的使用有助于更深入的了解文档信息，特别是那些缺乏评分信息而只能依靠描述文档的项目。本文算法建立在概率矩阵分解算法的基础上，通过对用户项目评分信息、用户间的信任度信息、项目的描述文档信息的学习，从不同角度获得用户和项目的潜在特征向量，并将其整合到统一的框架下，通过合理的前提假设从概率模型的角度进行优化，并利用矩阵分解的思想对用户评分进行预测，缓解了数据的稀疏性问题，提高了推荐的准确率。 本文将基于概率矩阵分解的协同过滤方法与经典的或近年来提出的相近算法进行了实验对比。在四个标准的推荐数据集上的实验结果表明，本文提出的推荐方法在多数情况下都优于或接近对比算法。并且，本文的协同过滤方法在数据较稀疏的情况下仍然能够有效提高推荐的准确率。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 本文的主要工作

1.3.1 本文算法的假设

1.3.2 本文的研究内容

1.3.3 本文的创新点

1.4 本文的结构与安排

2 推荐系统综述

2.1 传统的推荐算法

2.1.1 协同过滤推荐系统

2.1.2 基于内容的推荐系统

2.1.3 复合推荐系统

2.2 基于深度学习的推荐方法

2.3 本章小节

3 基于概率矩阵分解的协同过滤

3.1 算法背景介绍

3.2 概率矩阵分解相关技术

3.2.1 标准的矩阵分解

3.2.2 概率矩阵分解算法

3.2.3 卷积矩阵分解算法

3.3 信任概率矩阵分解

3.3.1 信任的特点

3.3.2 融入信任关系的概率矩阵分解

3.4 融入信任关系的卷积概率矩阵分解

3.4.1 假设基础

3.4.2 算法综述

3.4.3 模型构建

3.5 本章小节

4 实验结果

4.1 实验准备

4.1.1 实验语言

4.1.2 实验数据集

4.1.3 数据集预处理

4.1.4 实验方法

4.1.5 评估指标

4.2 对比模型

4.3 参数设置

4.4 实验结果

4.5 参数分析

4.6 本章小节

结论

参考文献

致谢

大连理工大学学位论文版权使用授权书