属性信息在矩阵分解推荐算法中的研究与优化

摘要

在当今大数据时代，个性化推荐技术可以有效的提高用户体验，解决信息过载的问题。通过对大数据的分析，精准刻画用户模型，为用户推荐符合他潜意识的物品，为用户以及商业带来了极大的便利。其中属性信息作为真实有效的信息，融入之后可以更加精准的刻画用户和物品，提高推荐准确性。本文针对推荐领域矩阵分解特征矩阵的初始化问题、冷启动问题等问题，通过融入属性信息加以研究。
　　矩阵分解特征矩阵初始化问题：传统的方式是特征矩阵被初始化为一定范围随机值，这样容易造成预测结果陷入局部最优解和迭代过程收敛速度慢等问题，为了克服这些问题，本文提出了两种利用属性信息初始化特征矩阵的模型：1）基于属性映射的初始化模型，直接利用物品属性初始化特征向量，将物品被显著标明的属性看作显性特征，其他属性看作隐性特征，利用映射机制获得用户特征进行矩阵初始化；2）基于深度神经网络自动编码的初始化模型，为了加快计算的效率，改变第一种方式下特征维度的不变性，本文利用自动编码技术获取物品属性在低维上的抽象特征，然后利用此特征对SVD++进行初始化。
　　推荐系统冷启动问题：本文主要解决用户冷启动问题，对于推荐系统中的新用户来说，用户没有历史评分，因而无法进行协同推荐。本文将属性信息作为用户的额外信息，首先求取用户属性间的关联性，将这种关联性应用到矩阵分解中，对比不加入属性的矩阵分解，推荐效果得到了提升，本文主要提出如下两种模型：1）基于属性偏置的矩阵分解模型，统计分析发现不同属性的用户评分具有明显的差异，本文根据用户的属性偏置信息，将用户属性偏置作为学习参数融入到矩阵分解中，冷启动用户利用属性偏置信息以及全局偏置信息获取推荐结果；2）基于属性近邻的矩阵分解模型，首先通过语义分析等方式计算用户属性相似度，然后利用决策树为用户分组，在组内找近邻，最后利用近邻构造属性近邻的矩阵分解模型。
　　实验表明，本文提出的两种利用属性信息初始化特征矩阵的模型在推荐精度以及收敛效率上都优于传统的方式，基于属性映射初始化方式精度最高，基于自动编码神经网络的初始化方式精度略低于前者，但是时间效率上得到50%的提升，并在一定程度上缓解了属性稀疏带来的问题；提出的两种利用属性解决冷启动问题的模型，在一定程度上缓解了用户冷启动问题，优于传统的解决冷启动的模型。

目录

第一个书签之前

摘要

ABSTRACT

Contents

1 绪 论

1.1研究背景

1.2研究意义

1.3研究现状

1.4论文结构

2相关理论与技术

2.1基于内容的推荐

2.2协同过滤

2.2.1 基于用户的协同过滤

2.2.2基于项目的协同过滤

2.2.3 协同过滤的优势及挑战

2.3 矩阵分解模型

2.3.1矩阵分解算法

2.3.2矩阵分解推导过程

2.3.3矩阵分解的优势与挑战

2.4 本章小结

3 属性信息在矩阵分解初始化中的研究

3.1基于属性映射的初始化模型

3.1.1 基于物品属性映射机制

3.1.2基于属性映射的SVD++初始化模型

3.2 基于自动编码深度学习的SVD++初始化模型

3.3 实验验证

3.3.1实验参数以及评价准则

3.3.2实验结果及对比分析

3.4 本章小结

4 属性信息在解决推荐冷启动问题中的研究

4.1 基于属性近邻的矩阵分解模型

4.1.1属性相似度计算

4.1.2利用决策树分组

4.1.3构建属性决策树

4.1.5实验数据及评价准则

4.1.6实验方案

4.1.7实验结果与分析

4.2 基于属性偏置的矩阵分解模型

4.2.1统计属性评分差异

4.2.2基于属性偏置的矩阵分解

4.2.3实验数据

4.2.4实验方案

4.2.5实验结果与分析

4.3本章小结

5.1总结

5.2展望

致谢

参考文献

攻读学位期间取得的学术成果和获奖情况