二项矩阵分解在离散评分推荐算法中的改进-计算机应用与软件.PDF

第３３卷第１期　　　 计算机应用与软件 Ｖｏｌ３３Ｎｏ．１ ２０１６年１月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｊａｎ．２０１６ 二项矩阵分解在离散评分推荐算法中的改进 刘凤林　胡雪蕾 （南京理工大学计算机科学与工程学院　江苏南京２１００９４） 摘　要　　针对个性化推荐中离散的评分预测问题，从更加直观的角度，提出一种改进的隐含语义二项分布模型。通过隐含语义分 析构建用户的兴趣度模型，同时考虑了领域物品的隐反馈。假设用户评分基于二项分布，通过最大后验估计（ＭＡＰ）构建目标函数， 并用梯度下降法进行参数学习。实验表明，在ＭｏｖｉｅＬｅｎｓ数据集下，该算法准确度优于原始的二项矩阵分解模型（ＢＭＦ），其效果接 近于ＳＶＤ＋＋。 关键词　　推荐系统　隐含语义分析　二项分布　最大后验估计 中图分类号　ＴＰ３　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１６．０１．０２１ ＩＭＰＲＯＶＥＭＥＮＴＯＦＢＩＮＯＭＩＡＬＭＡＴＲＩＸＦＡＣＴＯＲＩＳＡＴＩＯＮＦＯＲＤＩＳＣＲＥＴＥ ＲＡＴＩＮＧＲＥＣＯＭＭＥＮＤＡＴＩＯＮＳ ＬｉｕＦｅｎｇｌｉｎ　ＨｕＸｕｅｌｅｉ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００９４，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｐｒｏｐｏｓｅａｎｉｍｐｒｏｖｅｄｌａｔｅｎｔｓｅｍａｎｔｉｃｂｉｎｏｍｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｍｏｄｅｌｆｒｏｍａｎｉｎｔｕｉｔｉｖｅｐｏｉｎｔｏｆｖｉｅｗｆｏｒｄｉｓｃｒｅｔｅ ｒａｔｉｎｇｐｒｅｄｉｃｔｉｏｎｉｎｐｅｒｓｏｎａｌｉｓｅｄｒｅｃｏｍｍｅｎｄａｔｉｏｎ．Ｗｅｂｕｉｌｄｔｈｅｍｏｄｅｌｏｆｕｓｅｒ’ｓｉｎｔｅｒｅｓｔｄｅｇｒｅｅｂｙｌａｔｅｎｔｓｅｍａｎｔｉｃａｎａｌｙｓｉｓａｎｄｔａｋｅｔｈｅ ｉｍｐｌｉｃｉｔｆｅｅｄｂａｃｋｓｏｆｄｏｍａｉｎｉｔｅｍｉｎｔｏａｃｃｏｕｎｔ．Ａｓｓｕｍｉｎｇｔｈａｔｐｅｏｐｌｅ’ｓｒａｔｉｎｇｆｏｌｌｏｗａｂｉｎｏｍｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ，ｗｅｕｓｅｔｈｅｍａｘｉｍｕｍａｐｏｓｔｅｒｉｏｒｉ （ＭＡＰ）ｅｓｔｉｍａｔｅｔｏｃｏｎｓｔｒｕｃｔｔｈｅｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎａｎｄｕｓｅｇｒａｄｉｅｎｔｄｅｓｃｅｎｔｔｏｌｅａｒｎｐａｒａｍｅｔｅｒｓ．ＥｘｐｅｒｉｍｅｎｔｓｈｏｗｓｔｈａｔｉｎＭｏｖｉｅＬｅｎｓ ｄａｔａｓｅｔｓ，ｏｕｒａｌｇｏｒｉｔｈｍｏｕｔｐｅｒｆｏｒｍｓｔｈｅｐｒｉｍｉｔｉｖｅｂｉｎｏｍｉａｌｆａｃｔｏｒｉｓａｔｉｏｎｍｏｄｅｌ（ＢＭＦ）ａｎｄｈａｓｓｉｍｉｌａｒｐｅｒｆｏｒｍａｎｃｅａｓＳＶＤ＋＋． Ｋｅｙｗｏｒｄｓ　　Ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓｙｓｔｅｍ　Ｌａｔｅｎｔｓｅｍａｎｔｉｃａｎａｌｙｓｉｓ　Ｂｉｎｏｍｉａｌｄｉｓｔｒｉｂｕｔｉｏｎ　Ｍａｘｉｍｕｍａｐｏｓｔｅｒｉｏｒｉｅｓｔｉｍａｔｅ 广泛的关注。 ０　引　言 隐语义模型［１，３］，例如奇异值分解（ＳＶＤ），其基本思想是把 高维空间映射到低维潜在语义空间中［２］。传统的ＳＶＤ推荐算 近年来，随着互联网的普及和电子商务的发展，海量的信息 法偏向对用户的评分矩阵进行分解。ＹｅｋｕｄａＫｏｒｅｎ在他的文章 正在充斥着互联网，信息过载成为一个逐渐摆在人们面前的问 里提到了 ＢａｓｅｌｉｎｅＳＶＤ和ＳＶＤ＋＋算法，在 Ｎｅｔｆｌｉｘ数据集上的 题。作为一个用户，如何从海量的数据中找出自己感兴趣的信 实验结果表明该算法取得了很好的