中国优秀硕士学位论文全文数据库
  关闭
基于物品相似度和主题回归的矩阵分解推荐算法  
   在线阅读 整本下载 分章下载 分页下载本系统暂不支持迅雷或FlashGet等下载工具
【英文题名】 A Matrix Factorization Recommender System Using Item Similarity and Topic Regression
【作者】 邓志豪;
【导师】 陈德人; 郑小林;
【学位授予单位】 浙江大学;
【学科专业名称】 计算机应用技术
【学位年度】 2015
【论文级别】 硕士
【网络出版投稿人】 浙江大学
【网络出版投稿时间】 2015-10-15
【关键词】 推荐系统; 相似性; 矩阵分解; 主题回归; 协同过滤;
【英文关键词】 recommender system; similarity; matrix factorization; topic regres- sion; collaborative filtering;
【中文摘要】 推荐算法在大数据时代,一直是一个热点问题。流行的算法使用基于模型的协同过滤模型作为基础,在其矩阵分解的框架上进行进一步优化。一些模型会使用物品的内容数据来优化物品特征矩阵,来对推荐进行优化。但这类模型在训练时过于偏向物品的内容数据,而物品之间的评分矩阵相似性却没有加入考虑,而这种相似性却是基于物品的协同过滤算法的核心。这类缺陷限制了算法的推荐效果。本文则对传统的基于物品的协同过滤算法,和基于模型的协同过滤算法的模型和思想进行了深入研究,在现有的算法基础上,通过引入相似度保持的概念,提出了基于物品相似度和主题回归的矩阵分解推荐算法CTR-SIM。该模型在训练阶段对物品-评分矩阵进行矩阵分解,在此基础上,加入物品内容的主题回归,来约束物品的隐式特征向量,再使用物品之间的评分相似度来对物品的隐式特征向量进行进一步约束,从而在物品隐式特征矩阵上还原它们之间的相似程度的效果,同时,这种相似性还会在相似的物品之间进行传播,从而对相似的物品进行整体上的优化。本文在公开的lastfm和Epinions数据集上进行实验分析,结果表明,在稀疏性很强的lastfm数据集和Epimons数据集上,本文提出的CTR-SIM算法的召回率...
【英文摘要】 Recommendation is always a hot topic in Big Data area. Many popular meth-ods are based on model-based collaborative filtering, improving the model and algorithm within the framework of matrix factorization. Some models exploits contents of the items to optimize the latent feature matrix of the items. How-ever, these models tend to prefer the data of the item contents, while ignoring the similarity of the items in rating matrix, though this similairty is the core of the traditional memory-based collaborative...
【更新日期】 2016-01-03

xxx
【读者推荐文章】中国期刊全文数据库 中国重要报纸全文数据库 中国博士学位论文全文数据库 中国优秀硕士学位论文全文数据库 中国重要会议论文全文数据库
【相似文献】
中国期刊全文数据库
中国优秀硕士学位论文全文数据库
中国博士学位论文全文数据库
中国重要会议论文全文数据库
中国重要报纸全文数据库
中国学术期刊网络出版总库
点击下列相关研究机构和相关文献作者,可以直接查到这些机构和作者被《中国知识资源总库》收录的其它文献,使您全面了解该机构和该作者的研究动态和历史。
【文献分类导航】从导航的最底层可以看到与本文研究领域相同的文献,从上层导航可以浏览更多相关领域的文献。

工业技术
  自动化技术、计算机技术
   计算技术、计算机技术
    计算机的应用
     信息处理(信息加工)
      检索机
  
 
  CNKI系列数据库编辑出版及版权所有:中国学术期刊(光盘版)电子杂志社
中国知网技术服务及网站系统软件版权所有:清华同方知网(北京)技术有限公司
其它数据库版权所有:各数据库编辑出版单位(见各库版权信息)
京ICP证040431号    互联网出版许可证 新出网证(京)字008号