基于混合模型的推薦系統(tǒng)的研究.pdf

1、伴隨大數(shù)據(jù)時代的到來，人們每天面臨著海量數(shù)字信息，信息過載問題日益嚴重。傳統(tǒng)的獲取信息的方式是傳統(tǒng)的門戶網(wǎng)站和通過搜索引擎主動搜索，這已經(jīng)不能及時滿足人們對有效信息的獲取。推薦系統(tǒng)的出現(xiàn)和發(fā)展帶來了獲取信息方式的改變。最初的推薦技術(shù)被用在電子商務(wù)網(wǎng)站中，如亞馬遜，淘寶網(wǎng)的購物推薦。隨著Web發(fā)展，推薦技術(shù)被用到新聞，視頻，音樂，問答等各種Web應(yīng)用中，幫助人們從海量信息中及時獲取所需信息。
　　隨著網(wǎng)絡(luò)中推薦應(yīng)用越來越廣泛，推薦算

2、法的研究也在逐漸深入。學(xué)術(shù)界研究最多的是協(xié)同過濾算法，包括基于記憶的方法，如基于用戶的KNN算法，基于物品KNN算法等，基于模型的方法，比如矩陣分解MF算法，SVD++算法，基于社交因素約束的矩陣分解(SocailRegular-FM)算法等。單一模型及其變種的研究很多而且成熟。改進模型的研究仍為今后研究重點。但是，單一的模型算法僅僅能抓住函數(shù)假設(shè)空間的部分特征，混合幾種模型來做推薦的研究方向越來越受重視。本課題對以上單個模型和模型混合

3、技術(shù)均做出了研究。
　　本課題的主要工作如下，我們對已有基礎(chǔ)模型做出研究和實現(xiàn)，將代碼組合起來最終實現(xiàn)一推薦引擎庫，我們稱為JRSLib庫。課題改進利用輔助信息改進了物品相似度公式。社交因素越來越被推薦系統(tǒng)重視，課題對基于社交因素約束模型做出研究，之后提出了基于社交興趣組約束的模型，通過概率潛語義分析模型(PLSA)學(xué)習(xí)興趣組，使興趣組內(nèi)的成員的興趣向量盡可能的相似。對模型混合技術(shù)，線性回歸和梯度提升決策樹(GBDT)做出研究，分