基于协同过滤的评分预测推荐算法研究

发布时间：2017-08-22 15:46

  本文关键词：基于协同过滤的评分预测推荐算法研究

  更多相关文章： 推荐系统 协同过滤 矩阵分解 受限玻尔兹曼机

【摘要】：web2.0带领互联网走进了一个新时代,用户是互联网的核心,生产数据的同时也在消费数据。互联网的普及和互联网用户数量的迅猛增长使得互联网上的信息呈现爆炸式的增长,带来了“信息过载”的问题。目前解决信息过载问题有两种办法:信息检索技术和信息过滤技术。基于信息检索技术的搜索引擎已经获得了很大的成功。但是搜索引擎依赖于用户对信息描述的准确度而导致搜索结果质量不高,且不能主动推送给用户所需的信息。基于信息过滤的推荐系统为这个问题提供了解决方案。推荐系统基于用户的历史行为数据,建立相关模型挖掘用户需求和兴趣,进而筛选出对用户有用的信息。协同过滤是推荐系统中应用最广泛的算法之一。然而协同过滤也面临着一系列的挑战,比如推荐准确度,数据稀疏性等问题。本文对协同过滤进行了研究。并且对基于模型的算法中基于矩阵分解和基于受限玻尔兹曼机的算法进行改进。主要工作体现在以下三个方面:第一,针对基于邻居的协同过滤算法中的两个关键因素——邻居数量和相似度算法的选择对精确度的影响展开研究。并对比了基于内存的几种协同过滤算法在Movielens数据集上的推荐准确度差异。第二,在基于矩阵分解的协同过滤中分别融入了用户评分的时间信息,用户特征信息与项目特征信息,融入了时间上下文相关的用户与项目偏置、用户注册信息偏置、项目特征信息偏置等,提出了一种改进算法:FeatureTRSVD算法。第三,对基于受限玻尔兹曼机的协同过滤算法进行改进,将项目当作单独的受限玻尔兹曼机进行训练,采用带mini-batch的批量梯度下降算法进行参数学习,提出并实现了基于项目的受限玻尔兹曼机协同过滤算法。实验结果表明,该方法的系统性能显著优于基于用户的受限玻尔兹曼机协同过滤,其结果也稍微优于基于SVD的协同过滤算法。
【关键词】：推荐系统 协同过滤 矩阵分解 受限玻尔兹曼机
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景9-11
• 1.2 研究历史和现状11-13
• 1.3 本文研究内容13
• 1.4 本文结构13-15
• 第2章 推荐系统及协同过滤简介15-25
• 2.1 推荐系统模块介绍15-16
• 2.2 常用推荐算法16-21
• 2.2.1 基于内容的推荐17-19
• 2.2.2 协同过滤推荐19-20
• 2.2.3 混合推荐算法20-21
• 2.3 协同过滤算法简介21-22
• 2.3.1 基于内存的协同过滤21
• 2.3.2 基于模型的协同过滤算法21-22
• 2.3.3 协同过滤算法存在的问题22
• 2.4 推荐系统评测22-23
• 2.5 本章小结23-25
• 第3章 基于内存的协同过滤推荐算法25-35
• 3.1 基于用户的协同过滤25-27
• 3.1.1 基于用户的协同过滤基本思想25-26
• 3.1.2 基于用户的协同过滤的优缺点26-27
• 3.2 基于项目的协同过滤27-28
• 3.2.1 基于项目的协同过滤基本思想27-28
• 3.2.2 基于项目的协同过滤的优缺点28
• 3.3 Slope One算法28-29
• 3.3.1 Slope One基本思想28-29
• 3.3.2 Slope One算法的优缺点29
• 3.4 实验与总结29-33
• 3.4.1 数据集简介29-30
• 3.4.2 实验设计与分析30-33
• 3.5 本章小结33-35
• 第4章 基于矩阵分解的协同过滤推荐算法35-47
• 4.1 RSVD算法35-37
• 4.2 融入用户项目特征信息的动态RSVD算法37-41
• 4.2.1 融入时间信息的RSVD算法37-39
• 4.2.2 融入用户项目特征信息的RSVD算法39-40
• 4.2.3 模型优化和算法描述40-41
• 4.3 实验与总结41-46
• 4.3.1 数据集简介41-42
• 4.3.2 实验设计与分析42-46
• 4.4 本章小结46-47
• 第5章 基于受限玻尔兹曼机的协同过滤算法47-59
• 5.1 受限玻尔兹曼机简介47-49
• 5.1.1 受限玻尔兹曼机基本模型47-48
• 5.1.2 对比散度快速学习RBM48-49
• 5.2 基于受限波尔兹曼机的协同过滤算法49-53
• 5.2.1 基于用户的受限玻尔兹曼机协同过滤算法49-50
• 5.2.2 基于项目的受限玻尔兹曼机协同过滤算法50-51
• 5.2.3 参数学习51-52
• 5.2.4 评分预测52-53
• 5.3 实验与总结53-57
• 5.3.1 数据集简介53
• 5.3.2 实验设计与分析53-57
• 5.4 本章小结57-59
• 结论59-61
• 参考文献61-65
• 攻读硕士学位期间所取得的研究成果65-67
• 致谢67

【引证文献】

中国硕士学位论文全文数据库 前1条

1 宋志远;基于情境感知的移动客户端个性化推送的研究[D];哈尔滨商业大学;2016年

，

本文编号：720007