利用矩阵分解算法建模数据稀疏环境下用户协同行为

摘要

随着近几年来社交媒体的流行，信息的产生、传播、分享变得越发容易。人们只需要通过发布微博，更新自己的社交状态就能同来自世界各地的人们通信，交朋友，甚至进行商业贸易。电子商务的盛行，网络购物正逐渐地成为人们生活中不可或缺的一部分，也在颠覆着传统的产业结构。然而，人们在受益于信息爆炸所带来的便利的同时，也在面临信息过载所带来的困扰：该如何从庞大的信息池中获取有价值的资源呢？推荐系统的出现正是为了解决这个问题，也在逐渐成为很多商业应用的重要组件，自动地通过分析用户偏好，为人们推送最为喜欢，符合个人口味的信息。
　　本文主要探讨推荐系统研发过程中所面临的数据稀疏性问题，并从评分预测和排序预测的角度探讨了如何设计缓解该问题的个性化算法。
　　本文的主要贡献如下：
　　1.探讨了如何利用矩阵分解算法刻画用户评分决策过程，从反馈数据中进一步捕捉用户与物品以外信息的交互作用，缓解显性评分反馈不足所带来的预测缺陷，并设计了相应的实验。
　　2.研究如何利用排序学习解决比传统协同过滤数据稀疏性更为严重的，需要处理三元张量关系的协同检索任务。在两份真实数据集的结果显示，我们提出的算法能够有效提升预测准确度，尤其是对那些信息含量很少的物品。
　　3.为Pairwise排序学习在推荐算法的应用提出了一种基于物品的采样策略，并进一步定义了一种自适应采样策略，提高了采样效果的同时，也改善了Pairwise算法在稀疏数据上的预测准确率。

目录

封面

声明

致谢

中文摘要

英文摘要

目录

1 绪论

1.1 推荐系统研究背景及意义

1.2 稀疏环境下推荐系统研究综述

1.3 本文研究内容和创新点

1.4 数据集介绍

1.5 论文结构

2 用户评分决策情景的多元线性矩阵分解算法

2.1 概述

2.2 用户评分决策行为分析

2.3 多元线性互作用矩阵分解推荐模型

2.4 实验结果

2.5 本章小结

3 协同检索任务中的Top-K物品推荐

3.1 概述

3.2 三元张量关系

3.3 基于物品浅层协同检索张量模型

3.4 实验结果

3.5 本章小结

4 基于物品的贝叶斯Pairwise排序推荐

4.1 概述

4.2 用户-物品二部图Pairwise 关系分析

4.3 基于物品贝叶斯排序推荐模型

4.4 实验结果

4.5 本章小结

5 总结和展望

5.1 总结

5.2 展望

参考文献