2026《利用评分矩阵的推荐算法研究现状文献综述》1400字.docxVIP

PAGE1

利用评分矩阵的推荐算法研究现状文献综述

在用户网上购物产生的历史行为数据中，评分数据是一个可以很好体现用户对所购物品喜好的信息，它可以有效帮助我们为用户进行相关物品的推荐。将以往利用评分数据推荐的经典方法进行归纳总结，可以发现它们都基于用户、物品和评分组成的一个矩阵。

一类是基于邻域的推荐算法[14]，该类方法包括基于用户的协同过滤算法[15]和基于物品的协同过滤算法[16]。Resnick等人[17]在系统应用的过程中提出了前一种方法，先构建评级的样本矩阵，再通过强化学习[18]、多元回归等技术来关联历史行为数据，利用结果权重来找出有共同喜好的相似邻居用户，并将该方法应用于一个网络新闻相关的系统。Sarwar等人[19]利用物品的相似度计算，然后在结合协同过滤的思想中，提出了另一种方法。该方法将计算得到的相似度与用户和物品之间的历史行为数据进行结合，将其中相关性较强的物品推荐给这一位用户。

另一类是基于模型的推荐算法[20]，常用的是基于模型的协同过滤方法[21]，它的设计思路是通过构建模型对用户以往行为产生的数据进行学习，通过这种方式可以获取用户对物品的偏好程度，并进行预测。在这一种类的推荐算法中，最经典的是基于矩阵分解[22]的推荐算法。采用矩阵分解的协同过滤算法中的隐因子模型LFM则源于SimonFunk公开发表的一个模型FunkSVD[23]，该模型的矩阵分解过程便是将以往的用户-物品矩阵进行分解，得到用户-隐类和隐类-物品两个矩阵，划分类别的过程就是将每位用户和所购物品进行映射，得到用户和所购物品的隐向量。该模型不仅能提取出隐因子，并且能结合各种隐因子之间的关联进行分析。后又对LFM进行进一步的改进，得到基于奇异值分解的模型[8]（SingularValueDecomposition,SVD）。新产生的模型在原来的基础上加入了新的参数，具体包括3个：1个是评分数据训练集平均后的结果，另外2个分别是用户和物品对应的偏置项，这几个偏置项在一定程度上让推荐更有指向性，因此这几个新加入的因素也被列入了需要优化的考虑范畴。但在BiasSVD中没有思考过用户过去的一些操作对于预测过程是否产生影响，于是又加入了一种新的隐式反馈计算，形成SVD++模型[24]。Mnih等人[25]在SVD的模型优化方式上进行改进，试图寻求新的方法来表达用户和物品的隐因子向量，于是将概率生成方法引入，设计了一种基于概率的矩阵分解方法（ProbabilisticMatrixFactorization,PMF），该方法是在SVD算法的基础上引入特征的高斯概率分布。在研究大量相关模型实验后，可以发现与基于领域的推荐算法相比较，利用矩阵分解来设计的推荐模型表现更为出色。

智能推荐本质上是从看似杂乱无章的原始流水数据中挖掘出用户的喜好，将用户兴趣因子抽象化，而近年来高速发展的深度学习在提取抽象特征方面具有极强的处理能力。最早的深度学习应用方法是受限玻尔兹曼机器，该方法首次将神经网络应用于推荐系统，让模型能充分理解表格内的评分数据，且在模型性能上优于SVD模型。在2009年的Netflix大奖赛[26]中，也正是通过引入受限玻尔兹曼机才使得模型精准度又有了进一步的提升。它可以很好地处理最初的评分矩阵，通过映射的方式来转换成新的表达形式，再将该表达形式的向量映射回去，便能获得一个补全了评分的新矩阵。而Wu等人[27]则使用协同去噪自动编码器来理解评分矩阵中的信息。

尽管这些基于评分矩阵的推荐算法能完整完成推荐任务，且算法结构也在逐渐改良，推荐效果也得到了提升。但是它们挖掘出来的关联关系都只依赖于用户的评分数据，这种方式考虑的因素过于单一，且评分数据存在的数据稀疏性问题也会制约算法性能提升。因此我们应该考虑将用户和物品之间的其他数据融入推荐算法之中，而含有丰富情感的用户评论数据就是很好的选择。通过自然语言处理从评论数据挖掘出语义信息，将其与利用深度学习的矩阵分解方法结合，提升推荐质量。