基于矩陣分解的個(gè)性化推薦系統(tǒng)研究.pdf

1、隨著社交網(wǎng)絡(luò)的快速發(fā)展，大量用戶(hù)花費(fèi)越來(lái)越多的時(shí)間在社交應(yīng)用上。與此同時(shí)在社交平臺(tái)上存在海量的微博文本數(shù)據(jù)、用戶(hù)之間相互評(píng)論轉(zhuǎn)發(fā)等互動(dòng)信息、與用戶(hù)相關(guān)的注冊(cè)信息等。對(duì)這部分?jǐn)?shù)據(jù)進(jìn)行研究發(fā)現(xiàn)用戶(hù)會(huì)發(fā)表很多帶有主觀感情色彩的內(nèi)容，例如對(duì)物品進(jìn)行一個(gè)正負(fù)方面的評(píng)價(jià)，或者表示出對(duì)某些物品的需求。在新浪微博中數(shù)以?xún)|級(jí)的用戶(hù)每天活躍在微博上，會(huì)產(chǎn)生大量類(lèi)似的微博文本數(shù)據(jù)。對(duì)文本數(shù)據(jù)進(jìn)行處理從而對(duì)用戶(hù)建模獲取用戶(hù)的興趣偏好，再通過(guò)推薦引擎對(duì)用戶(hù)進(jìn)行個(gè)

2、性化的物品推薦，這是本文的研究方向。
　　傳統(tǒng)的推薦系統(tǒng)無(wú)法解決復(fù)雜的社交網(wǎng)絡(luò)推薦問(wèn)題，主要難點(diǎn)包括，首先在社交平臺(tái)上上下文信息對(duì)推薦系統(tǒng)的效果有很大的影響，其次用戶(hù)在社交網(wǎng)絡(luò)中的興趣偏好會(huì)隨時(shí)間發(fā)生改變，再次在搭建個(gè)性化的用戶(hù)興趣模型時(shí)需要對(duì)大量微博短文本進(jìn)行內(nèi)容提取，最后需要實(shí)現(xiàn)高效準(zhǔn)確的推薦引擎算法。本文提出了一個(gè)基于矩陣分解的混合預(yù)測(cè)模型，將推薦問(wèn)題轉(zhuǎn)換為一個(gè)矩陣分解的問(wèn)題，根據(jù)得到的評(píng)分預(yù)測(cè)矩陣實(shí)現(xiàn)物品的推薦過(guò)程。本文的

3、創(chuàng)新點(diǎn)主要包括以下三部分。首先提出了一個(gè)基于微博的推薦系統(tǒng)框架，該框架分為兩個(gè)模塊用戶(hù)建模模塊和推薦引擎模塊。其次在本文中對(duì)用戶(hù)建模模塊實(shí)現(xiàn)了微博爬蟲(chóng)系統(tǒng)、文本處理系統(tǒng)、基于Rocchio反饋算法的增量式用戶(hù)興趣模型系統(tǒng)，實(shí)現(xiàn)了獲取數(shù)據(jù)、處理數(shù)據(jù)、內(nèi)容提取、增量式更新能最大程度獲取用戶(hù)的動(dòng)態(tài)興趣偏好。最后在推薦引擎模塊基于矩陣分解算法結(jié)合了微博的上下文信息對(duì)矩陣分解模型做了多個(gè)部分的擴(kuò)展，上下文信息包括人口統(tǒng)計(jì)學(xué)信息、互相關(guān)注的好友集合

4、、用戶(hù)的消費(fèi)記錄等。在本文中通過(guò)不同方法對(duì)不同類(lèi)型數(shù)據(jù)建模在同一混合預(yù)測(cè)模型中，充分的利用各類(lèi)上下文信息優(yōu)化了預(yù)測(cè)模型的性能。通過(guò)學(xué)習(xí)該模型的參數(shù)得到用戶(hù)物品潛在特征的預(yù)測(cè)矩陣，實(shí)現(xiàn)高準(zhǔn)確度物品推薦。
　　通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)在設(shè)定的幾個(gè)評(píng)價(jià)指標(biāo)上混合預(yù)測(cè)模型的結(jié)果要優(yōu)于協(xié)同過(guò)濾算法和一般的SVD算法。增量式用戶(hù)興趣模型能動(dòng)態(tài)獲取用戶(hù)的興趣偏好，在矩陣分解模型引入正負(fù)反饋數(shù)據(jù)將評(píng)分矩陣分解成正負(fù)反饋評(píng)分矩陣，雙向的提取潛在用戶(hù)偏好特征。通