基于隱語(yǔ)義模型的推薦系統(tǒng)研究.pdf

1、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)的飛速發(fā)展，海量的數(shù)據(jù)信息產(chǎn)生了信息過(guò)載問(wèn)題。尤其在大型電影推薦網(wǎng)站，如何通過(guò)一種有效的機(jī)制來(lái)幫助用戶快速的獲取到想要的電影信息，這已成為了當(dāng)前研究的一大熱點(diǎn)和難點(diǎn)問(wèn)題，其中推薦系統(tǒng)是其研究的主要內(nèi)容。
　　目前國(guó)內(nèi)外針對(duì)推薦系統(tǒng)的研究主要集中在協(xié)同過(guò)濾推薦、基于內(nèi)容的推薦、基于知識(shí)的推薦和組合推薦四個(gè)方面。協(xié)同過(guò)濾算法以其獨(dú)特思想和便捷的計(jì)算方式在推薦系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。但隨著系統(tǒng)中用戶和項(xiàng)目

2、規(guī)模的不斷增大，傳統(tǒng)協(xié)同過(guò)濾算法在處理效率、稀疏性和拓展性方面存在不足。
　　本文基于協(xié)同過(guò)濾中的隱語(yǔ)義模型，首先介紹了模型的理論方法，然后針對(duì)評(píng)分矩陣高度稀疏的問(wèn)題，利用k-means算法對(duì)模型進(jìn)行了改進(jìn)。同時(shí)為了提高模型的推薦精度和預(yù)測(cè)準(zhǔn)確率，在模型中加入時(shí)間上下文信息。文章主要的工作內(nèi)容有：1.基于推薦系統(tǒng)的原理和方法，介紹了基于領(lǐng)域的協(xié)同過(guò)濾算法和基于模型的協(xié)同過(guò)濾算法理論。2.針對(duì)用戶評(píng)分稀疏問(wèn)題，利用k-means算法

3、對(duì)用戶數(shù)據(jù)進(jìn)行聚類；然后根據(jù)聚類結(jié)果重構(gòu)評(píng)分矩陣，顯著的降低矩陣維度和稀疏度；最后通過(guò)修改模型的評(píng)分策略得到改進(jìn)隱語(yǔ)義模型K-LFM。3.為了提高模型的精度，將時(shí)間上下文信息加入到傳統(tǒng)的“用戶-項(xiàng)目”二維推薦過(guò)程。通過(guò)改變模型的矩陣分解形式，實(shí)現(xiàn)對(duì)“用戶-項(xiàng)目-時(shí)間”三維評(píng)分矩陣的分解，在提高模型精度的同時(shí)實(shí)現(xiàn)了對(duì)模型的拓展。4.在movielens數(shù)據(jù)集上實(shí)驗(yàn)對(duì)比算法的性能，同時(shí)借助Hadoop平臺(tái)的Mahout組件設(shè)計(jì)實(shí)現(xiàn)了一個(gè)推薦