引入话题模型的协同过滤推荐算法研究

《引入话题模型的协同过滤推荐算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、引入话题模型的协同过滤推荐算法研究蒋明明2016年1月中图分类号：TP391.1UDC分类号：004引入话题模型的协同过滤推荐算法研究论文作者蒋明明学院名称计算机学院指导教师廖乐健教授答辩委员会主席李凡教授申请学位级别工学硕士学科专业计算机科学与技术学位授予单位北京理工大学答辩日期2016年1月IncorporateTopicModelintoCollaborativeFilteringCandidateNameMingmingJiangSchoolorDepartmentDepart.OfComput

2、erScienceFacultyMentorProf.LejianLiaoChair,ThesisCommitteeProf.FanLiDegreeAppliedMasterofPhilosophyMajorComputerScienceandTechnologyDegreebyBeijingInsitituteofTechnologyTheDataofDefenceJan.2016研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研究工作获得的研究成果。尽我所知，文中除特别标注

3、和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：北京理工大学硕士学位论文摘要随着互联网的兴起和信息技术的不断发展，人们正进入一个高度信息化的时代。传统的搜索引擎技术已经无法满足用户对个性化信息的需求，也无法使得商户为用户提供个性化的商品推荐。为了满足信息供应商和消费者的双重需求，推荐系统应运而生。然而，传统的

4、协同过滤推荐算法只考虑了用户和物品的评分数据，而忽略了用户和物品相关的内容信息，例如评分附带的评论内容、物品的内容等。这些内容信息中包含大量用户偏好和物品自身特征信息，对提高推荐系统的准确度有着重要意义。目前，在文本建模领域，话题模型(例如，LDA)是最成功的统计学习方法。因此，本文主要研究如何将话题模型引入到传统的协同过滤推荐算法中。首先，为了同时挖掘嵌入在评分和评论中的用户偏好信息，本文提出了一种基于用户评分和评论画像的贝叶斯推荐模型(URRP)。该模型可以将传统的协同过滤推荐算法和话题模型进行无缝

5、连接。通过引入评论话题，用户的潜在评分态度可以用话题进行解释，更加直观，并且推荐系统常常遇到的“冷启动”问题也可以得到一定程度的解决。本文在25个真实的Amazon数据集上进行了科学的实验，实验结果表明URRP模型相较于其他几种目前最先进的推荐算法获得了更好的推荐准确率。此外，用户的兴趣及其关注的话题会随着时间动态变化，这一特性对用户在电子商务和社交媒体平台的行为产生着重大的影响。因此，设计一个能够自适应用户兴趣点和话题动态变化特点的智能推荐系统，已经成为推荐领域的一个具有十分重要意义的研究课题。基于此

6、，本文基于集合因式分解提出了一种新颖的动态话题感知推荐模型(TTARM)，并在两个真实的数据集CiteULike和MovieLens上进行了科学的对比实验，验证了TTARM模型的有效性。关键词：推荐系统；话题模型；协同过滤；矩阵分解I北京理工大学硕士学位论文AbstractWiththedevelopmentofinformationtechnologyandInternet,wearecomingintoahighlyinformationizationera.Traditionalsearcheng

7、inescannotsatisfytherequirementsofusersande-commercessimultaneously.Tothisend,recommendersystemscametobeing.However,mostexistingrecommendersystemsonlytakeratingscoresforgrantedanddiscardthewealthofinformationincontentrelatedtousersoritems,suchasitems’con

8、tent,users’reviewsetc.Thereareabundantinformationaboutusers’preferencesembeddedinthesecontent,whichisverysignificantforimprovingrecommendersystems.Inthefieldoftextmodeling,topicmodel(e.g.,LDA)isthemostsuccessfulstatisticalle