论文部分内容阅读
个性化推荐的主要意义在于能够帮助人们从海量的信息数据中,挖掘出用户可能感兴趣的信息,节省用户搜寻信息的时间,提高用户的效率,改善用户体验。一个推荐系统的主体主要包括用户和物品,在实现个性化推荐的过程中,往往需要比较主体与主体之间的相似度,从而为个性化推荐提供依据。然而传统的协同过滤算法仅仅考虑了用户之间的共同评分项,忽略了用户与物品之间的关系,使得推荐的结果并不理想。推荐系统主体间的关系能够反映其本身的特征,一方面,用户对物品的历史评分能够很好地量化用户的偏好特征,另一方面,用户对物品所作标签也为物品特征的构建提供真实依据。因此基于主体之间的交互来对其本身特征进行改进能更好提高推荐的精度。本文基于此思想提出了一种基于主体特征的矩阵分解推荐算法。主要工作如下:1、针对传统的Funk-SVD模型没有考虑主体的具体细节以及主体间交互记录的问题,提出了一种结合用户偏好的矩阵分解模型,该模型首先根据用户与物品的历史交互记录,构建用户偏好特征,然后将主体的特征差异与矩阵分解模型结合,训练出用户特征以及物品特征。在构建相似用户集合时,将矩阵分解所得的用户特征和根据历史交互记录构建的用户偏好特征以及不同用户的用户评分置信度相结合,提高了推荐的准确性。2、提出了一种基于用户标签置信度的物品特征构建方法,把物品标签作为物品特征的另一种表现形式。结合不同用户的用户标签置信度,将用户的热量通过历史标签记录分配给物品,同时使用物质扩散法和热传递法进行热量分配,使用用户标签置信度来衡量用户使用标签的能力,并作为用户节点的初始热量。最终根据物品从标签节点分配到的热量高低,构建物品标签特征。3、根据用户评分及物品标签特征构建了用户标签特征,并将其与用户特征、物品特征相结合提出以一种改进的矩阵分解推荐算法。并将该算法在MovieLens数据集上进行试验验证,与同一数据集下的SVD++等算法进行对比,实验结果表明,基于主体特征的矩阵分解推荐算法在均方根误差和准确率等各项推荐算法评价指标中均有所提升。