论文部分内容阅读
在当今网络和电商竞技的时代,推荐系统变得越来越有意义,尤其是在如今信息暴涨的时代,推荐系统的作用尤为突出。它能够快速帮助用户在海量数据中获取到有用信息,从而将用户感兴趣的物品推荐给他,这极大的节约了用户的时间,方便了用户找寻需要之物。推荐系统的核心在于推荐算法,推荐算法通过收集和分析用户的各种信息记录来学习用户的兴趣和行为方式,利用数据挖掘技术得到用户的喜好信息,进而为用户推荐他所需要的物品。因此一个好的推荐算法必须要有高的推荐精度,能够较精确的捕获到用户的兴趣特征与偏好,正确推荐。所以,推荐的精确性是衡量一个推荐算法的最重要指标。因此,本文主要以提高推荐算法的精确性为主线,在现有推荐算法的基础上做了改进和优化,以提高算法推荐精确度。本文的主要研究工作如下:1.简要介绍了当前常见的推荐算法技术及各自的优缺点,对推荐算法中隐语义模型下的矩阵分解(Matrix Factorization,MF)推荐算法做了较深入研究。2.为提高推荐算法推荐的精确性,我们在深入理解MF算法的基础上进行改进,提出基于高斯核函数矩阵分解的推荐算法(Gaussian Kernel Matrix Factorization,GKMF)以求提高算法预测精度,详细推导了算法迭代公式,给出了算法流程框图;此外,通过深入分析实验数据集特点后,考虑在GKMF算法中加入偏置因子,记为GKMF+算法,以期更进一步提高算法预测精度。3.我们通过真实数据集上不同规模的电影评分数据进行实验验证。首先通过实验结果分析了实验参数对于预测结果的影响,为选择合适的参数提供依据和便利。然后在不同参数下全方位的对比了各算法预测性能,验证了GKMF与GKMF+算法的有效性与精确性。通过实验结果表明,改进的GKMF算法与GKMF+算法相比于MF算法能够取的更高的预测精确度以及稳定性,对于当前流行的线下计算,线上推荐的非实时推荐系统,有不错的参考价值。