基于双重正则化的矩阵分解推荐算法研究

《基于双重正则化的矩阵分解推荐算法研究》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、学校代码10459学号或申请号201312172032密级硕士学位论文基于双重正则化的矩阵分解推荐算法研究作者姓名：吴宾导师姓名：叶阳东学科门类：工学专业名称：计算机软件与理论培养院系：信息工程学院完成时间：2016年5月AthesissubmittedtoZhengzhouUniversityforthedegreeofMasterResearchofRecommendationAlgorithmbasedonDualRegularizedMatrixFactorizationByBinWuSup

2、ervisor:Prof.YangdongYeComputerSoftwareandTheorySchoolofInformationEngineeringMay2016学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人承担。学位论文作者：日期：年月日学位论文使用授权声明本人在导师指

3、导下完成的论文及相关的职务作品，知识产权归属郑州大学。根据郑州大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权郑州大学可以将本学位论文的全部或部分编入有关数据库进行检索，可以采用影印、缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学位论文或与该学位论文直接相关的学术论文或成果时，第一署名单位仍然为郑州大学。保密论文在解密后应遵守此规定。学位论文作者：日期：年月日摘要摘要推荐系统是一种非常有效的信息过滤技术

4、，可帮助用户从浩瀚的数据海洋发现其感兴趣的信息。自2006年10月Netflix公司组织推荐算法竞赛以来，矩阵分解推荐模型因具有较低的时间和空间复杂度、较高的预测精度以及良好的扩展性等优点，受到了工业界和学术界的广泛关注。已有的矩阵分解推荐模型仅从用户的角度出发考虑了用户的历史行为信息和用户间的社会关系。然而，在基于社交网络的物品推荐场景中，物品之间的关联关系对推荐结果的生成也有着重要的影响。如何准确地获取物品之间的关联关系是当前的一个难点问题。另外，在为用户做推荐时如何同时考虑用户之间的社会关系和

5、物品之间的关联关系也是一个亟需解决的难点问题。针对上述问题，本文首先给出了一种度量物品之间关联程度的公式，并将其用于挖掘物品之间的关联关系；其次提出一种基于双重正则化的矩阵分解模型，该模型将物品之间的关联关系和用户之间的社会关系分别以关联正则化和社会正则化的方式融入传统的矩阵分解模型，能够有效地缓解传统矩阵分解模型存在的冷启动问题；最后根据提出的模型构建了一种高效的推荐算法CRSVD++，该算法为推荐系统的评分预测任务提供了一种有效地解决方法。在四个真实数据集Epinions，Flixster，Ci

6、ao和FilmTrust上的实验结果表明：相比仅考虑评分信息的PMF、SVD++等推荐算法，CRSVD++算法具有明显的优势；相比仅结合社会关系的SoReg、SoRec、SocialMF、TrustMF等推荐算法，CRSVD++可以更加精确地预测用户的实际评分。关键词：双重正则化，推荐系统，矩阵分解，协同过滤IAbstractAbstractRecommendersystem,whichhelpsuserstoacquiretheinformationneededfromenormousamount

7、sofdata,hasbecominganeffectiveinformationfilteringtechnology.Matrixfactorizationisanefficientandeffectivemethod,andhasreceivedmoreandmoreattentionsintheindustrialcommunityandacademiasincethecompetitionofrecommendationalgorithmwasorganizedbyNetflixinOct

8、ober2006.However,theexistingmatrixfactorizationmodelsonlytakeuserbehaviorandsocialrelationshipsintoconsideration,andignorethefactthatitemrelationsalsohaveanimportantinfluenceonrecommendationresultsinthesocialnetwork-basedrecommenderscen