并行協(xié)同過濾推薦模型的研究.pdf

1、電子商務（Electronic Business）是指利用電子技術從事相關商業(yè)活動。電子商務系統(tǒng)通過Internet網(wǎng)絡建立虛擬的網(wǎng)上商店。隨著電子商務系統(tǒng)規(guī)模的不斷擴大，對于網(wǎng)上商店的用戶來說，需要在大量的無關的商品中，花費過多的時間和精力才能挑選到自己心儀的商品。針對這類信息過載的實際問題，為了幫助消費者方便快速的購物，推薦系統(tǒng)技術應運而生。推薦系統(tǒng)的目的是在實時性的要求下，產(chǎn)生有效的而又精確的推薦結果，因此，近年來研究人員提出了各

2、種不同的推薦系統(tǒng)的算法，目前主要的推薦系統(tǒng)算法包括：基于關聯(lián)規(guī)則的推薦算法（Association Rule-based Recommendation，ARBR）、基于內容的推薦算法（Content-based Recommendation，CBR）、協(xié)同過濾推薦算法（Collaborative Filtering Recommendation，CFR），以及混合推薦算法（Hybrid Recommendation，HR）。其中，協(xié)同過

3、濾推薦算法擁有很好的推薦精度和可擴展性，是極為成功的一類推薦模型。
　　近幾年來，推薦系統(tǒng)面臨著大數(shù)據(jù)量和推薦實時性的雙重考驗，本文從推薦模型的技術角度出發(fā)，提出一種兼?zhèn)鋮f(xié)同過濾推薦模型的性能，以及并行計算高速率的推薦模型。本論文的主要研究工作概括為以下幾個部分：
　?、俜治霰容^了主流電子商務推薦算法的特點，詳細闡述了基于規(guī)范矩陣因式分解的協(xié)同過濾推薦（RMF）模型及其演化模型；
　?、趶睦碚撋戏治隽薘MF的模型構造和

4、訓練過程，從而發(fā)現(xiàn)并指出阻礙RMF模型實現(xiàn)并行化的最大障礙在于項目特征和用戶特征之間的相互依賴關系；
　?、垩芯縍MF模型處理過程中的隨機梯度下降法（SGD）和最小二乘法（P-ALS），實現(xiàn)利用交替隨機梯度下降（ASGD）法替代SGD來處理模型的參數(shù)訓練過程，以消除訓練過程中特征之間的相互依賴關系；
　?、芴岢霾崿F(xiàn)了并行的協(xié)同過濾推薦模型（P-RMF）模型，這種模型可以同時對用戶特征和項目特征參數(shù)進行并行訓練，以保證不降低