基于矩阵分解推荐系统实验研究.pdfVIP

基于矩阵分解的推荐系统

：在本实验中，我们在10,000条评论数据下实现了基协同过滤可以分为两部分：基于内存的协同过滤和基于模型的

于矩阵分解的推荐系统。使用交替最小二乘优化（ALS），我协同过滤。

们得到了快速收敛曲线。我们还探讨了惩罚因子和潜在特征数基于记忆的CF包括基于用户的CF和基于项目的CF。基于用

户的CF使用相似度函数计算每个邻居与目标用户的相似程度。

量之间的关系如何影响收敛速度。

因此它可以利用预测函数来预测目标用户未评分项目的评分。

基于项目的CF与基于用户的CF非常相似，只有细微的差别。

I.简介它计算项目之间的相似度并预测目标项目的分数。

推荐系统尝试预测用户对某个项目的“评分”或“偏

基于内存的CF具有以下优点：（1）它需要最少的知

好”。它是由一系列算法生成的，例如协同过滤、基于内

识工程工作。(2)用户和产品是没有任何结构或特征

容的推荐、上下文感知推荐等。协作归档基于收集和分析

的符号。(3)在大多数情况下它可以产生足够好的结果。

大量用户行为信息，并根据用户与其他用户的相似性来预

尽管有这些优点，基于内存的CF仍稀疏问题。它需

测用户会什么。由于其简单性，矩阵分解在实际应用

要大量明确且可靠的，它需要的产品：用户应

中适用于很多场景。

该完全相同的产品。更重要的是，它假设先前的行为

决定当前的行为，而不考虑上下文知识。

为了更好地理解推荐系统和矩阵分解的原理，培养我

基于模型的CF利用降维并从底层数据而不是启发式

们的工程能力，在本实验中，我们构建了一个简单的基于

学习。基于模型的方法主要包括聚类、关联规则和矩阵分

矩阵分解协同过滤的推荐系统。该问题被表述为低秩近似

解。

问题，我们使用ALS方法来解决它。报告的其余部分组

织如下：在方法和理论部分，介绍协同过滤的类别聚类方法根据偏好和过去的情况将客户分类。它

和ALS的概念。在实验部分，展示模型的损失函数在集群级别计算推荐，集群内的所有客户都会收到相同的

曲线，并比较不同惩罚因子和潜在特征设置之间的性能。推荐。关联规则使用过去的行为，通过构建规则来查