推荐系统中的隐语义模型算法研究

摘要

推荐系统是一种考虑用户差异，为用户提供个性化服务的信息过滤技术，能够很好地缓解信息过载问题所带来的挑战。推荐系统的个性化服务方式，不仅促进了电子商务领域的快速发展，同时也对传统的数字图书文献领域产生了重大影响。
　　本文深入地研究了协同过滤推荐技术中隐语义模型的相关内容，主要包括:
　　(1)为明确本文的研究内容和研究思路，比较分析了推荐系统领域常见推荐技术的优缺点，全面介绍了隐语义模型的发展背景和研究现状，为后期研究工作的展开奠定基础。
　　(2)详细阐述了隐语义模型的工作原理、学习算法和评测指标，介绍了基本的隐语义模型Base-SVD、引入偏置项的隐语义模型Bias-SVD、考虑隐式反馈的隐语义模型SVD++和融合邻域的隐语义模型Asymmetric-SVD等算法，并在MovieLens数据集上比较分析了几种模型的推荐效果，以及受不同参数的影响情况，总结各个算法的特点。结果表明:模型Asymmetric-SVD受隐特征维度、学习速率等参数的影响最大，综合评分预测效果要优于其他模型。
　　(3)详细讨论了隐语义模型在科技文献推荐领域的应用，提出一种融合异构信息网络和隐语义模型的文献推荐算法。主要考虑用户对文献的隐式评分，以元路径的方式挖掘文献间的近邻关系，从语义关联的角度表达用户对文献的偏好程度，融合隐语义模型预测用户评分，实现推荐。该算法能综合多维度信息，有效缓解评分数据稀疏性问题。
　　(4)对于元路径权值分配问题，文中利用二分类和贝叶斯优化排序两种学习算法进行求解。并在CiteULike-a数据集上反复实验，分析不同算法的运行结果，验证文献推荐模型的可操作性和有效性，最后得出基于贝叶斯优化排序算法实现的推荐模型综合评分预测效果较好。

目录

声明

致谢

摘要

引言

1 绪论

1．1 选题背景

1．2 研究意义

1．3 研究内容

1．4 结构安排

2 相关领域研究现状

2．1 推荐系统领域相关研究

2．1．1 推荐系统介绍

2．1．2 文献推荐领域研究现状

2．2 隐语义模型的国内外研究现状

2．2．1 国外研究现状

2．2．2 国内研究现状

2．3 本章小结

3 隐语义模型典型改进算法与实验比较

3．1 隐语义模型的形式化定义

3．2 模型的评价指标

3．2．1 平均绝对误差(Mean Absolute Error，MAE)

3．2．2 均方根误差(Root Mean Squared Error，RMSE)

3．3 学习算法

3．3．1 随机梯度下降法

3．3．2 基于随机梯度下降法的隐语义模型

3．4 隐语义模型的改进算法

3．4．1 Bias-SVD

3．4．2 SVD++

3．4．3 Asymmetric-SVD

3．5 实验与讨论

3．5．1 Movielens数据集

3．5．2 实验参数

3．5．3 结果分析

3．6 本章小结

4 基于隐语义模型的文献推荐算法

4．1 用户-文献行为表示

4．2 异构信息网络

4．2．1 异构信息网络的定义

4．2．2 异构信息网络的处理

4．3 文献推荐模型

4．3．1 目标任务

4．3．2 模型描述

4．4 实验与讨论

4．4．1 数据集介绍和预处理

4．4．2 实验结果分析

4．5 本章小结

5 总结与展望

5．1 本文工作总结

5．2 工作展望

参考文献

附录

作者简介

学位论文数据集