潜在因子与多属性内容过滤推荐算法研究

摘要

在实际系统中，信息呈爆炸式的增长，用户迫切希望在大量信息中找到感兴趣的物品或服务，构建推荐系统能够帮助用户解决这一问题。推荐系统稀疏性问题，是指大量用户只浏览了很少的物品，冷启动问题是新用户或新项目没有历史记录，系统难以推荐。矩阵分解和稀疏线性模型能把评分矩阵分解为用户、项目潜在因子矩阵。针对稀疏性问题，研究了矩阵分解和稀疏线性模型，对模型求解算法做了详细推导和实验验证，并提出了信任稀疏线性模型。针对冷启动问题，提出多属性内容过滤算法，对多属性结合问题做了研究与改进，具体研究内容如下：
　　（1）研究了矩阵分解模型，并结合了用户隐式评分以及基于用户信任上下文的矩阵模型，采用梯度下降法避免了数据稀疏性问题。
　　（2）研究了稀疏线性模型，这种特殊的矩阵分解模型，R=RW，可解释性、复杂性都优于矩阵分解模型，详细推导了坐标下降法求解模型参数，给出了求解算法，并引入信任影响因子，提出信任稀疏线性模型，实验验证可有效topN推荐，准确性和召回率都有效提高。
　　（3）深入研究了多属性内容过滤算法，定义了项目的年龄概率评分，代表项目受不同年龄段用户喜爱程度，针对多属性难以结合的问题，提出了比较与标准化实际评分误差大小选择属性进行预测问题，并进一步使用支持向量机回归拟合用户多属性概率评分，通过仿真实验，验证了方法的有效性。
　　（4）探讨了潜在因子和多属性内容过滤推荐算法的混合策略。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 论文选题依据、研究背景及意义

1.2 相关领域国内外发展现状

1.3 论文主要研究内容及安排

2 推荐算法与评价标准

2.1 相似度计算及topN推荐

2.2 推荐算法的评价标准

2.3 概率潜在语义分析（pLSA）

2.4 推荐算法的面临的主要问题

2.5 小结

3 推荐算法的潜在因子模型

3.1 矩阵分解模型

3.2加入基准偏移量和隐式评分的矩阵模型

3.3稀疏线性方法

3.4 基于上下文的潜在因子模型

3.5 实验验证及分析

3.6 小结

4 多属性内容过滤推荐算法

4.1 单属性概率评分推荐

4.2 用户项目多属性概率评分

4.3 SVR多属性推荐算法

4.4 多属性实验结果及分析

4.5 小结

5 混合推荐算法探讨

5.1 混合方式

5.2 潜在因子和多属性内容过滤混合策略

5.3 小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

攻读硕士学位期间发表的论文及所取得的研究成果

致谢