基于核矩阵分解和鲁棒估计的协同过滤推荐算法

《基于核矩阵分解和鲁棒估计的协同过滤推荐算法》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、硕士学位论文MASTER'SDISSERTATION论文题目基于核矩阵分解和鲁棒估计的协同过滤推荐算法作者姓名高瑞波学科专业运筹学与控制论指导教师王坤教授2016年5月中图分类号：TP273TP13学校代码：10216UDC：621.3密级：公开理学硕士学位论文基于核矩阵分解和鲁棒估计的协同过滤推荐算法硕士研究生：高瑞波导师：王坤教授申请学位：理学硕士学科专业：运筹学与控制论所在单位：理学院答辩日期：2016年5月授予学位单位：燕山大学ADissertationinOperationalResearchandCyberneticsCOLL

2、ABORATIVEFILTERINGRECOMMENDATIONALGORITHMBASEDONKERNELMATRIXFACTORIZATIONANDROBUSTESTIMATIONbyGaoRuiboSupervisor:ProfessorWangKunYanshanUniversityMay,2016燕山大学硕士学位论文原创性声明本人郑重声明：此处所提交的硕士学位论文《基于核矩阵分解和鲁棒估计的协同过滤推荐算法》，是本人在导师指导下，在燕山大学攻读硕士学位期间独立进行研究工作所取得的成果。论文中除已注明部分外不包含他人已发表或撰写过

3、的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签字：日期：年月日燕山大学硕士学位论文使用授权书《基于核矩阵分解和鲁棒估计的协同过滤推荐算法》系本人在燕山大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归燕山大学所有，本论文的研究内容不得以其它单位的名义发表。本人完全了解燕山大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权燕山大学，可以采用影印、缩印或其它复制手段保存论文，可以公布论

4、文的全部或部分内容。保密□，在年解密后适用本授权书。本学位论文属于不保密□。（请在以上相应方框内打“√”）作者签名：日期：年月日导师签名：日期：年月日摘要摘要协同过滤推荐是推荐系统中运用成功的一种推荐技术，然而面对托攻击时，已有协同过滤算法存在一些问题：首先，传统的基于矩阵分解的协同过滤算法对离群点的容忍性弱，用户和项目特征矩阵易受攻击概貌的影响，因而模型的抗攻击力较弱；其次，大多数算法不仅存在抗稀疏性问题而且算法的鲁棒性也较弱。为了保证推荐质量，本文在现有的研究现状基础上，从推荐算法的鲁棒模型进行了研究，旨在同时提高算法的精度和鲁棒性。

5、主要研究工作如下：首先，本文提出了一种基于核矩阵分解的鲁棒协同过滤算法。然后利用评分矩阵的核映射和核距离诱导出了鲁棒的核矩阵分解模型，并用尺度因子对模型中的残差进行调整，增强了模型的抗攻击能力，实现对用户特征矩阵和项目特征矩阵鲁棒性的估计。最后提出了用核空间距离的方法计算用户间的相似度，提高了相似度计算的可信性，进而降低攻击概貌对预测评分结果的影响。其次，本文提出了一种基于核正则化和加权的M-估计量的鲁棒推荐算法。在矩阵分解模型中，首先引入高斯核函数作为加权M-估计函数，实现了算法鲁棒参数估计。然后引入了CIM的相关知识，用CIM处理了用

6、户特征矩阵和核项目特征矩阵，将处理后用户特征矩阵和核项目特征矩阵的作为损失函数中的正则化项，这样增强了抗稀疏性，同时削弱了攻击概貌对用户、项目特征矩阵的影响。最后，设计本文相应的推荐算法与已有的算法在Movielens数据集进行实验比对与分析。关键词：托攻击；鲁棒协同推荐；核矩阵分解；尺度因子；核正则化；加权M-估计-I-燕山大学理学硕士学位论文AbstractCollaborativefilteringrecommendationalgorithmisarecommendationtechnologyinrecommendersyste

7、ms,butinthefaceofshillingattacks,therearesomeproblemsforcollaborativefilteringalgorithms.Firstly,thefilteringrecommendationalgorithmbasedontraditionalmatrixfactorization,whichhasweakertoleranceofoutlier,anduserfeaturematrixanditemfeaturematrixareinfluencedbyattackprofiles

8、.Sothemodel’santi-attackislower.Then,mostalgorithmshaveweakeranti-sparseandtherobustness.Inorder