融合语义信息的因子模型推荐算法研究

《融合语义信息的因子模型推荐算法研究》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、密级：洳多：矢湾’硕士学位论文⑧论文题目融金适竖鱼!垦的国王搓型推蓥篡洼巫塞所在学院让簋拯抖堂皇撞盔提交日期2014—01．08ADissertationSubmittedtoZhejiangUniversityfortheDegreeofMasterofEngineering一⑧TITLE：ASemanticInformationIntegratedLatentFactorModelforRecommenderSystemAuthor：Supervisor：Subject：College：SubmittedDate：2014—0l—08浙江大学硕士学位论文摘要随着互联网服务和信息处理

2、技术的迅速发展，个性化推荐技术作为新的面向个性化需求的智能信息处理技术得到了快速发展和广泛研究，基于用户历史内容和基于协同过滤的推荐是两类传统的推荐算法，其中因子模型是协同过滤的典型代表之一。但它们有各自的优缺点：一方面，基于用户历史内容的方法在推荐结果的解释性上具有天然的优势，但在精度上往往会被历史记录局限而不够理想；另一方面，因子模型基于坚实的优化理论，在推荐精度上比较理想，但对推荐结果的解释性支持不好。本文结合面向内容的推荐方法和基于协同思想的因子模型方法，将内容信息进行语义提取，以用户上下文语义的形式加入因子模型中，在保证因子模型推荐精度的前提下提供推荐结果的语义解释。本文的工

3、作主要包括以下四个方面：(一)针对协同过滤中有代表性的因子模型方法，对主要的改进工作进行了综述，包括：结合近邻模型、融合时间趋势信息、支持基于产品的解释性、融合历史浏览信息等方面的改进工作；(二)针对基于内容的推荐，对可用作推荐数据源的内容类型进行了总结，然后结合文本处理技术探讨了将隐性语义分析、隐式狄利克雷分布等方法用于推荐内容的语义分析中；(三)在前人对融合内容的因子模型改进基础上提出J，语义因子模型(SemanticFactorModel，sFM)，即构建了包括用户内容话题语义分析、融合语义因子的因子模型两部分的双层模型。经实验验证，在推荐精度上有显著提升，同时支持所推荐产品的语

4、义解释性；r四)将语义因子模型sFM推广到面向“0．1”反馈的隐式信息推荐场景中，主要包括基于语义因子的贝叶斯个性化排序(BayesianPersonalRank，BPR)方法、基于语义因子权重估计的权重Ⅱ：则矩阵分解(WeightRegularizedMatrix浙江大学硕士学位论文掖要Factorization，WR．MF)方法。经实验验证，加入语义因子后，相比于原来的方法在推荐精度上有显著提升，同时支持推荐产品的语义解释性。关键词：推荐系统，因子模型，话题模型，矩阵分解，推荐解释性浙江大学硕士学位论文AbslraetAbstractWiththerapiddevelopmento

5、fWebServiceandInformationProcessingTechnology,personalizedrecommendationtechnologyhasbeenwidelyfocusedasanewtechnologyforpersonal-orientedintelligentinformationprocessing．Content—BasedandCollaborativeFiltering—Basedrecommendationaretwokindsoftraditionalrecommendationalgorithm．FactorModelisatypic

6、alcollaborativefiltering—basedalgorithm．NeitherContent—BasedmethodorFactorModelhavetheirownadvantagesanddisadvantages．Ontheonehand，Content—Basedmethodshavetheadvantagesofrecommendationexplanationbutbelimitedbyone’shistorybehavior，SOnotSOwellontherecommendationaccuracy．Ontheotherhand，basedonsolid

7、optimizationtheory,factormodelisidealontherecommendationaccuracy．Thispapersuggestedamethodcombiningthetwoones’advantages：weextractsemanticinformationfromusers’historycontents，thenaddsemanticinformationintothefactormodelasase