潛在因子與多屬性?xún)?nèi)容過(guò)濾推薦算法研究.pdf

1、在實(shí)際系統(tǒng)中，信息呈爆炸式的增長(zhǎng)，用戶(hù)迫切希望在大量信息中找到感興趣的物品或服務(wù)，構(gòu)建推薦系統(tǒng)能夠幫助用戶(hù)解決這一問(wèn)題。推薦系統(tǒng)稀疏性問(wèn)題，是指大量用戶(hù)只瀏覽了很少的物品，冷啟動(dòng)問(wèn)題是新用戶(hù)或新項(xiàng)目沒(méi)有歷史記錄，系統(tǒng)難以推薦。矩陣分解和稀疏線性模型能把評(píng)分矩陣分解為用戶(hù)、項(xiàng)目潛在因子矩陣。針對(duì)稀疏性問(wèn)題，研究了矩陣分解和稀疏線性模型，對(duì)模型求解算法做了詳細(xì)推導(dǎo)和實(shí)驗(yàn)驗(yàn)證，并提出了信任稀疏線性模型。針對(duì)冷啟動(dòng)問(wèn)題，提出多屬性?xún)?nèi)容過(guò)濾算法，

2、對(duì)多屬性結(jié)合問(wèn)題做了研究與改進(jìn)，具體研究?jī)?nèi)容如下：
　?。?）研究了矩陣分解模型，并結(jié)合了用戶(hù)隱式評(píng)分以及基于用戶(hù)信任上下文的矩陣模型，采用梯度下降法避免了數(shù)據(jù)稀疏性問(wèn)題。
　?。?）研究了稀疏線性模型，這種特殊的矩陣分解模型，R=RW，可解釋性、復(fù)雜性都優(yōu)于矩陣分解模型，詳細(xì)推導(dǎo)了坐標(biāo)下降法求解模型參數(shù)，給出了求解算法，并引入信任影響因子，提出信任稀疏線性模型，實(shí)驗(yàn)驗(yàn)證可有效topN推薦，準(zhǔn)確性和召回率都有效提高。