基于矩阵分解的兴趣点推荐.pptxVIP

基于矩阵分解的兴趣点推荐算法的研究与实现 推荐系统为什么这么流行？ 推荐系统是当下越来越热的一个研究问题，无论在学术界还是在工业界都有很多优秀的人才参与其中。近几年举办的推荐系统比赛更是一次又一次地把推荐系统的研究推向了高潮，比如几年前的Neflix百万大奖赛，KDD CUP 2011的音乐推荐比赛，去年的百度电影推荐竞赛，还有最近的阿里巴巴大数据竞赛。这些比赛对推荐系统的发展都起到了很大的推动作用，使我们有机会接触到真实的工业界数据。 什么是推荐系统？ 假设推荐系统中有用户集合有6个用户，即U={u1,u2,u3,u4,u5,u6}，项目（物品）集合有7个项目，即V={v1,v2,v3,v4,v5,v6,v7}，用户对项目的评分结合为R，用户对项目的评分范围是[0, 5]，如图所示。 推荐系统的目标就是预测出符号“？”对应位置的分值。推荐系统基于这样一个假设：用户对项目的打分越高，表明用户越喜欢。因此，预测出用户对未评分项目的评分后，根据分值大小排序，把分值高的项目推荐给用户。  矩阵分解目标就是把用户-项目评分矩阵R分解成用户因子矩阵和项目因子矩阵乘的形式，即R=UV，这里R是n×m， n =6， m =7，U是n×k，V是k×m，如图所示。 如何实现： 方法大体上可以分为基于内容的推荐、协同过滤推荐和混合推荐三类，协同过滤算法进一步划分又可分为基于基于内存的推荐（memory-based）和基于模型的推荐（model-based）我主要用的是下面二种： 1.非负矩阵分解（NMF） 2.基于概率的矩阵分解算法（PMF） 程序运行结果： 非负矩阵分解算法（NMF)： 基于概率的矩阵分解算法（PMF）： Four Gowalla和Foursquare数据集 Foursquare是一家基于用户地理位置信（LBS）的手机服务网站，并鼓励手机用户同他人分享自己当前所在地理位置等信息。与其他老式网站不同，Foursquare用户界面主要针对手机而设计，以方便手机用户使用。 Gowalla是一个移动互联网应用，类似于FourSquare，它提供基于地理位置的服务，让用户知道自己朋友的所在位置，分享他们最爱的地方，发现身边的新世界。 数据处理 根据Gowalla和Foursquare数据集可以绘制用户-地点（User-Loc）表格，如何所示。