基于圖模型的協(xié)同過濾推薦技術研究.pdf

1、互聯網的飛速發(fā)展豐富了網絡信息資源，給人們獲取信息帶來便捷。然而隨著網絡資源的不斷增多，用戶在海量信息中定位有價值信息也變得更加困難，由此造成嚴重的信息過載問題。為了協(xié)助網絡用戶更快捷有效的獲取有價值信息，推薦技術應用而生。推薦技術是研究如何根據用戶興趣特點和相關行為，向用戶推薦其感興趣信息的一種應用技術。
　　作為目前應用最為廣泛的推薦技術之一，協(xié)同過濾技術在推薦系統(tǒng)中得到了廣泛的應用。本文針對傳統(tǒng)的協(xié)同過濾推薦技術常遇到的稀疏

2、性、可擴展性、冷啟動問題，對基于圖模型的協(xié)同過濾技術開展研究。本文完成的成果性工作包括：
　　1.針對協(xié)同過濾技術中原始評分空間數據稀疏而導致的用戶和對象相似性度量不準確的問題，提出了一種基于用戶圖和對象圖交互式傳遞的協(xié)同過濾方法，將用戶關系信息和對象關系信息以交互式的方式傳遞到‘用戶-對象’評分信息空間中，改善原始評分空間的稀疏性問題，進而改善推薦性能。
　　2.以基于矩陣分解(Matrix factorization)模

3、型的協(xié)同過濾推薦技術為基礎，提出了一種基于圖約束的矩陣分解模型。該模型中通過同時引入用戶圖約束和對象圖約束，從而保證了用戶關系和對象關系在原始特征空間與經矩陣分解得到的低維本征空間結構上的一致性。針對該模型的求解，不同于傳統(tǒng)的交替求解方法，本文提出了一種新穎的序貫式求解方法，以保證算法收斂的穩(wěn)定性。
　　3.針對具有圖約束的矩陣分解模型中的可擴展性問題，提出了一種對活躍用戶低維本征描述的在線學習方案，以避免在線重新進行矩陣分解所帶