基于遷移學習的跨領域推薦的方法研究.pdf

1、隨著計算機技術的發(fā)展和網絡的不斷普及,人們已處在信息大爆炸的時代。推薦系統(tǒng)就是在這種背景下應運而生。推薦系統(tǒng)從眾多的信息中為用戶推薦用戶本身感興趣的內容，提高了用戶獲取信息的效率。目前，大多數推薦系統(tǒng)都是基于協(xié)同過濾推薦技術來進行推薦，但它存在兩個主要的問題，即數據稀疏性問題和冷啟動問題。
　　目前，有一些學者提出了運用遷移學習的思想去解決協(xié)同過濾推薦系統(tǒng)中的數據稀疏性問題和冷啟動問題。但這些模型幾乎都沒考慮兩個領域間的差異性，如

2、評分刻度差異性、領域間相關性。這種差異性可能會導致數據的負遷移，造成推薦準確度降低。針對這一問題，本文提出了兩種新的基于遷移學習的跨領域推薦方法：
　　1)提出一種基于標簽的跨領域推薦方法。大多數推薦系統(tǒng)都有對用戶和物品進行描述的標簽，本文利用這些標簽來連接兩個領域并進行數據的遷移，因為標簽記錄的是用戶特征，所以領域間知識的遷移就是對用戶特征進行遷移，因而避免了領域間的評分刻度差異所帶來的問題，從而解決了領域間的差異性導致的數據負

3、遷移。該方法主要分為三步：首先利用非負矩陣分解算法對輔助數據域進行用戶分類，得到不同類型的用戶分組；其次，通過BP神經網絡對用戶的特征進行學習，訓練得到根據用戶的特征來判斷用戶類型的神經網絡；最后，利用訓練好的BP神經網絡對目標數據域的用戶進行類型判斷，并根據同類型用戶對同一物品的平均評分去填充目標數據域的空缺值。
　　2)提出一種基于潛在特征聚類的跨領域推薦方法。該方法不僅學習不同領域間的“共享知識”，而且還學習不同領域間的“特