基于概率矩阵分解和遗传算法的协同过滤推荐模型
这是一篇关于推荐模型,协同过滤,概率矩阵分解,遗传算法,冷启动的论文, 主要内容为当今人们时刻面临着“信息过载”的问题,而另外方面不同人的需求又各有不同,商业公司一般都会采用推荐系统来满足人们个性化的需求。协同过滤是目前被商业公司使用最多的推荐算法之一。但在应用协同过滤算法的过程中会遇到稀疏性、冷启动以及在多变的应用场景下参数调优的问题。为了解决上述这些问题,本文构建了一个以协同过滤为核心的新的推荐模型。具体工作如下:(1)研究概率矩阵分解算法解决数据稀疏问题利用概率矩阵分解算法来填充评分矩阵,矩阵因而从稀疏变为稠密,并基于填充后的矩阵计算项目的评分相似度,通过近邻项目所获得的评分值来估计当前项目的评分,这样在一定程度上可以解决数据稀疏的问题。(2)研究基于项目标签相似度算法结合项目评分相似度解决冷启动问题在计算项目与项目相似度问题的时候,加入了项目标签作为相似度计算的依据,并赋予了其一定的权重,使其可以与项目评分相似度相结合形成综合项目相似度,同时利用了用户评价数量系数控制整个项目从冷到热启动的过程,对新项目冷启动的过程进行了精确的控制和推荐。(3)研究遗传算法并使其与模型结合解决系统参数自适应问题本论文研究了遗传算法在构建整个模型中对于参数的动态优化的方法,利用遗传算法对于非线性问题寻找最优解的优势,进一步提高了模型在各个业务场景的适应和拟合程度。本文模型的创新点主要有两点:(1)设置用户评价数量系数,对整个新项目从冷到热的过程进行精确控制,得到的推荐结果更为准确。(2)提取模型中各个算法本身或者与模型结合过程中的各种参数,通过遗传算法对这些参数取值进行优化,使模型可以自我学习进化,以达到各种业务场景和各种数据集下的最佳效果。为了验证模型的效果,本文针对普通协同过滤算法(分为以项目为基准、以用户为基准),一般概率矩阵分解的协同过滤算法,未加遗传算法的模型以及完整模型算法进行对比,同时在公用数据集movielens上以及电商用户行为数据集上进行验证。结果表明文本提出的模型能够在一定程度上解决数据稀疏、冷启动以及在多种业务场景下参数的最优取值问题,在两个数据集上都表现出来了良好的结果。
基于协同过滤的推荐系统算法研究
这是一篇关于推荐系统,协同过滤,卷积神经网络,概率矩阵分解,推荐多样性的论文, 主要内容为随着互联网技术的高速发展,形式多样的互联网信息服务和应用数量迅猛增长,信息技术应用迅速渗透到人们生活的方方面面,例如电商网站、知识学习网站等。这使得人们在上网时不得不面对海量的信息,从其中过滤出所需的信息变得非常困难,进而形成了信息过载问题。推荐系统作为一种能为用户提供个性化信息推荐服务的技术,成为学术界和工业界解决该问题的首要方案。经过近些年的研究和应用,推荐系统已经有了长足的发展,但是在目前网络信息与资源进一步增长的背景下,传统的推荐技术的一些问题逐渐暴露出来,其中较为典型的有稀疏性、冷启动、推荐多样性等,这些问题从各个方面影响着推荐系统的性能。本文重点研究了推荐系统的多样性和稀疏性,分析了两种问题对于推荐系统性能的具体影响途径,并通过对基于模型的协同过滤推荐算法进行研究,以该算法为基础提出了两种优化的推荐方法,改进推荐效果。本文主要针对以下内容进行了研究:(1)多样的推荐列表有助于提升用户满意度。本文针对推荐多样性进行研究,分析了推荐列表多样性对于推荐系统的必要性,介绍了推荐多样性的分类。针对推荐列表的个体多样性进行优化,通过对隐语义向量进行方差计算,得到方差最小化正则项,并把该项集成在矩阵分解算法中,组成DBMF模型,加强模型计算用户的相关性,避免预测的用户评分趋于特定的商品组,进而改进推荐的多样性。通过实验证明该方法在改进推荐列表个体多样性方面有优越的性能,并且通过调节系统的多样性的方式在一定程度上提高了推荐的精确性。(2)数据稀疏性对于推荐系统是一种长期的、对系统性能有严重影响的典型问题。针对该问题,本文提出通过加入额外信息源缓解对稀疏矩阵对推荐系统的影响。经过综合分析,确定商品描述文档适合作为额外信息。利用在处理文本信息方面性能优越的k-max pooling CNN算法,抽取商品描述文档的特征矩阵,并把输出结果集成在PMF模型中,组成k-CNNMF模型,加入额外的商品信息,缓解了因稀疏矩阵而引起的信息缺失问题。通过实验证明k-CNNMF对于提高推荐准确性有较好的性能,并且在较为稀疏的数据集上,相比于其他模型能更准确的预测评分。
基于概率矩阵分解的推荐算法研究
这是一篇关于概率矩阵分解,推荐算法,商品流行度,时间间隔权重,信任关系的论文, 主要内容为个性化推荐系统的出现为电子商务网站带来了更好的发展契机,与此同时,随着网络技术的快速发展,顾客和商家越来越追求较高的推荐质量。因此,推荐算法得到了广泛的研究。本文对概率矩阵分解算法进行了研究,分别从用户和商品两个方面结合SVD算法和聚类模型等方法对其进行改进,主要工作如下:1.提出了一种基于信任关系的概率矩阵分解推荐算法。首先,通过加入商品流行度和时间间隔权重因素对初始评分矩阵进行预处理。然后,基于新的评分矩阵,利用一种改进的相似度计算公式求得用户间相似度,再结合用户在社交关系中的影响力,得到信任矩阵。最后,将信任矩阵加入到概率矩阵分解算法的目标函数中,挖掘出用户和商品的潜在特征向量,以此来预测缺失评分,建立了一个基于信任关系的概率矩阵分解推荐算法。利用Epinions数据集和MovieLens数据集进行了试验,结果表明,本文提出的算法能够有效地提高推荐准确度。2.提出了一种基于商品间关系的概率矩阵分解算法。算法挖掘出商品间存在的相似关系,包括由评分矩阵得出的相似关系、商品标签间的相似关系以及商品类别间的相似关系,并将其结合到概率矩阵分解算法目标函数中,通过增加目标函数的限制条件,优化得出商品间潜在向量,从而进行缺失评分预测。实验表明,考虑商品间关系能够减小推荐误差,改进后的算法能够提高推荐准确度。
基于深度学习的推荐系统的研究
这是一篇关于概率矩阵分解,堆叠降噪自编码器,推荐系统,深度学习的论文, 主要内容为推荐系统在缓解网络快速发展而出现的“信息过载”问题上节省了用户筛选信息时的时间和精力。本课题选择应用最多推荐方法之一的协同过滤方法中的概率矩阵分解方法,因为其预测评分与实际评分间的误差更小,推荐更精准,但是也存在着冷启动和数据稀疏的问题。随着深度学习的深入研究,其能够深层次挖掘物品特征的优点逐渐用在推荐系统中以缓解这两个问题。本课题主要研究内容如下:为了改善传统推荐方法中的不足之处,并保留其在预测评分上的优势,本课题使用堆叠降噪自编码器与概率矩阵分解混合的方法进行推荐。使用传统协同过滤推荐方法中的概率矩阵分解处理评分矩阵,得到一个用户矩阵和一个物品矩阵。然后利用深度学习方法中的堆叠降噪自编码器训练物品矩阵,挖掘深层次的物品特征,为预测出更准确的评分打下基础。接着把用户隐向量组成的用户矩阵与堆叠降噪自编码器处理过的物品隐向量组成的物品矩阵相乘,得出的向量内积即为预测的评分,将预测评分排名前十项的商品推荐给用户。最后对比本课题改进的混合推荐方法与其他推荐方法,分析优异之处。课题使用开源数据集进行实验,准确度和均方根误差作为评价标准。实验结果表明,本课题使用的混合推荐方法较仅使用传统推荐方法或是使用降噪自编码器方法的精确度更高,误差更小,证明混合推荐方法结合了概率矩阵分解方法在缓解冷启动问题的同时准确预测评分的特点与堆叠降噪自编码器挖掘物品更深层次的特征、优化隐向量的优势,提升了推荐效果。
基于矩阵分解的推荐算法研究
这是一篇关于非负矩阵分解,概率矩阵分解,图神经网络,聚类的论文, 主要内容为随着网络技术的飞速发展,人们的生活方式发生了显著变化,互联网方便了我们生活的同时也造成了“信息过载”问题,为了解决这一问题,研究者们把目光投向了推荐系统。推荐系统中应用最为广泛的是基于协同过滤的推荐系统,协同过滤推荐算法作为推荐系统的核心虽具有其自身的优势,但是仍然存在数据稀疏性和可扩展性等问题,影响着算法的推荐精度。本文针对传统推荐算法中存在的数据稀疏性和可扩展性问题从不同的角度做出改进。主要工作内容如下:(1)为了解决数据稀疏性和可扩展性问题,提出了一个基于非负矩阵分解和密度峰值聚类的推荐算法。该算法首先对用户项目评分矩阵进行非负矩阵分解,得到项目和用户的特征表示,然后通过密度峰值聚类算法对不同类型的用户做出划分,缩小寻找最近邻的范围,提高算法的效率。其中引入奇异值分解和信息熵的概念分别对非负矩阵分解和密度峰值聚类进行了改进。(2)针对社会化推荐中存在的数据稀疏性问题,构建了一个融合概率矩阵分解和图神经网络的推荐算法。该算法首先对原始用户项目评分矩阵进行概率矩阵分解,得到用户特征和项目特征,然后利用图神经网络对用户从社会聚合和项目聚合两个方面来学习其潜在向量,最后将得到的用户潜在向量集成在概率矩阵分解模型中,得到评分预测。在对上述所提算法给出必要的理论分析的基础上,本文在公开的数据集上进行了实验,包括美国明尼苏达大学提供的Movielens-100k和Movielens-1M数据集,以及包含社交信息的Ciao和Epinions数据集,选取MAE和RMSE为本文的评价指标。理论分析和实验结果均表明,本文提出的算法可以改善数据稀疏性问题,使算法精度有所提升。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/46434.html
