基于概率矩阵分解的多指标推荐算法研究-计算机科学与技术专业论文.docxVIP

第 PAGE 第 PAGE IV页 西 南 科 技 大 学硕 士 研 究 生 学 位 论 文 第 PAGE 第 PAGE III页 西 南 科 技 大 学硕 士 研 究 生 学 位 论 文 斤方数据 斤方数据 万方数据 万方数据 独 tlJ 性声明 本人声明所9.交的论文是找个人在导师指导下(或我个人……}进 行的研究J:作提取得的研究成果 。尽我所知，除了文中特别加以标注和 政谢的地右外，论文中不包含其他人已经发表或撰写过的研究成果，也 +包含为获得阿南科技大学或其它教青机构的学位或证书而使用过的材 料。与我 间工作的同志对本研究所做的任何贡献均已在论文中作了明 确的说明并表示了谢意. 签名z 番俊路 日期z 对 .1. 关于论文使用和授权的说明 本人完全了解西南科技大学菁英保留、使用学位论文的规定，郎 2 学校有权保留学位讼文的复印件，先带镰籍 x蜂蜜和错锢 z 学校可以 公布该论文的全部威部分内容，可以采用.印、蜻印戴其他提制手段保 存论文. (保密的学位论文在解密黯战守此制〉 签名r1马俊屠 摘 要 协同过滤 算法是推荐系 统中应用和研 究较多的经典 方法，传统协 同过 滤算法的 主要思想是基 于用户对项目 的单一综合评 分挖掘用户的 兴趣并 为其做出 推荐。然而已有 研究表明基于 单一评分的方 法并不能很好 刻画用 户的根本 兴趣，于是基于 多指标评分的 推荐技术被提 出和使用。这种方法 的核心思 想是利用用户 对项目不同维 度的指标评分 ，对用户建立 兴趣模 型，为用户推 荐提供更加精 准的项目列表 。当前关于 多指标推荐算 法研究 较少，大都受到 数据规模和数 据稀疏性的影 响，已有相关 研究可以分为 三 类：1）将多指 标评分推荐问 题分解成单一 指标评分问题 ，然后对每一 维 指标采用 已有的任意协 同推荐算法进 行预测，然后再将 预测结果进行 综合 作为最终 的综合评分预 测，该方法缺 点是预先假设 用户对每维指 标偏好程 度一样， 现实情况是用 户对不同指标 偏好程度可能 是不一致的。 2）利用 聚合函数 将综合评分表 示成多指标评 分的线性关系 ，然后利用 统计或机器 学习的方 法得到聚合函 数，然后进行 预测和推荐，该方法缺 点是容易受到 训练数据 的稀疏性或噪 音影响。3）简单的 聚类方法，利 用潜在语义分 析 的方法对 用户进行潜在 语义分析，该 方法仅仅考虑 了多指标对用 户的影 响，而忽 略了多指标对 项目也同样具 有影响。 针对以上 多指标推荐算 法研究还存在 不足的问题， 本文提出一种 基于 概率矩阵 分解的多指标 推荐算法(Multi-criteria collaborative filtering algorithm based on Probabilistic Matrix Factorization，MCPMF)尝试解决 这 些问题。 本课题将传统 推荐算法矩阵 分解中用户-项目关系 考虑成三种关 系，即用户-多指标关 系，项目 -多指标关 系以及用户 -项目关系 。借助矩阵 分解的思 想能降低数据 噪音和大规模 数据的影响。通过假设 三种关系的数 据潜在分 布都服从高斯 分布，然后将多 指标对用户和 对项目的影响 考虑成 一个权重 矩阵。本课题提 出了两种权重 矩阵的计算方 法，一种是基 于多指 标评分的 协方差矩阵；另一种假 设多指标对用 户和项目的影 响分布服从高 斯分布，且两种影 响相互独立 ，将两种影 响的联合分布 表示成对用户 和项 目都产生 影响的权重矩 阵。MCPMF 中用户和 项目的特征矩 阵通过梯度下 降法迭代 学习得到。在采集到 的大众美食点 评和携程旅游 景点点评两个 真 实数据集 上的实验表明 ，MCPMF 模型与传 统针对单一指 标模型算法相 比， 预测精度 有一定的提高 ，与针对多 指标的(如：FGPLSA) 算法相比 也有提高， 并且能降 低数据稀疏性 所带来的影响 。 本文的主 要贡献有 ：1）对多指标 权重矩阵的处 理，通过两种 权重计算 方法来考 虑多指标。2）对多指 标权重矩阵与 用户（项目） 特征向量的融 合处理，通过假设 用户（项目 ）的潜在分 布都会受到多 指标的影响 ，利用 概率矩阵 分解的思想来 处理。3）算法对 稀疏数据的适 应，利用概率 矩阵 分解的思 想，在一定程 度上解决了算 法过拟合的问 题。 关 键 词 ： 多 指 标 ； 推 荐系 统 ； 协 同 过 滤 ； 概 率 矩 阵分 解 论 文 类 型 ： 理 论 研 究 万方数据 万方数据 万方数据 万方数据 Abstract Collaborative filtering algorithm is a class