基于矩陣分解及其圖模型的協(xié)同過濾推薦算法研究.pdf

1、在互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展的背景下，數(shù)據(jù)呈現(xiàn)爆炸式的增長，云計算的實現(xiàn)在很大程度為數(shù)據(jù)信息提供共享平臺。在大數(shù)據(jù)時代，信息過載問題仍然困擾研究界，推薦算法的出現(xiàn)便是為了解決信息過載問題，而如何分析、挖掘并且預(yù)測數(shù)據(jù)的趨勢是大數(shù)據(jù)處理的核心所在。本文致力于協(xié)同過濾推薦算法的預(yù)測的研究，基于矩陣分解模型尤其是非負(fù)矩陣分解模型，因其高的預(yù)測精度，良好的擴展性，加之融合圖模型、流形學(xué)習(xí)模型，在近年來的維數(shù)約減、計算機視覺、模式識別領(lǐng)域廣為采用。本文

2、便是將該領(lǐng)域的技術(shù)與單元素分解策略相結(jié)合，旨在對融入圖相似度校正的矩陣分解模型做更為深層次的探索。
　　（1）第二章中，在對現(xiàn)有矩陣分解的理論進(jìn)行了深入的探索和研究后，我們在最基本的矩陣分解的模型上添加了線性化校正。從大量的現(xiàn)存文獻(xiàn)中可以看出，添加線性校正可以克服矩陣分解在迭代過程中出現(xiàn)的振蕩漸進(jìn)收斂，提高基于矩陣分解的協(xié)同過濾推薦算法預(yù)測精度，加入了正交化校正和歸一化處理可以在一定程度上規(guī)避數(shù)據(jù)的冗余性。從實驗結(jié)果可以看出，基于

3、矩陣分解和線性正交化校正的協(xié)同過濾算法較傳統(tǒng)的基準(zhǔn)矩陣分解模型而言，改進(jìn)的效果明顯。
　?。?）在總結(jié)了第二章的算法后，我們考慮到第二章中的基于矩陣分解未能將用戶和物品的特征信息考慮在內(nèi)，而這些隱含信息在協(xié)同過濾推薦算法可以在很大程度上提高推薦的準(zhǔn)確率。我們觀察現(xiàn)存的數(shù)據(jù)的信息，考慮到大多數(shù)數(shù)據(jù)的非負(fù)特性，采用非負(fù)矩陣分解的框架，在算法的設(shè)計上，融合了單元素學(xué)習(xí)，Tikhonov校正，圖相似度校正，提出了基于單元素分解及其圖正則校

4、正的非負(fù)矩陣分解協(xié)同過濾算法(RTGNMF)，意在充分發(fā)揮基于模型的協(xié)同過濾和基于記憶的協(xié)同過濾的優(yōu)勢。此外，單元素學(xué)習(xí)的策略可以有效的避免權(quán)值非負(fù)分解模型中標(biāo)識矩陣繁復(fù)操作。
　?。?）在對現(xiàn)有的大量的基于圖模型的文獻(xiàn)進(jìn)行深入系統(tǒng)的探究后，我們發(fā)現(xiàn)基于流形學(xué)習(xí)理論在計算機視覺領(lǐng)域已經(jīng)取得廣泛的應(yīng)用，而在協(xié)同過濾推薦算法領(lǐng)域卻很少有人問津。在計算機視覺領(lǐng)域，流形圖校正能夠很好的學(xué)習(xí)數(shù)據(jù)的內(nèi)在非線性結(jié)構(gòu)信息，模型具有良好的全局閉環(huán)形

5、式最優(yōu)解。正是考慮流形圖校正的上述特性，在第四章我們在基于圖模型的非負(fù)矩陣分解中融入了流形校正環(huán)節(jié)，與計算機視覺的應(yīng)用不同的是，由于評分矩陣的稀疏性，我們也在算法的設(shè)計中引入了單元素分解的策略。
　　本文得到如下基金資助：教育部新世紀(jì)優(yōu)秀人才支持計劃：（NCET-12-0920）；陜西省科技新星計劃：（No.2014KJXX-45）；國家自然科學(xué)基金：（Nos.61272279，61371201，61272282和61203303