并行協(xié)同過(guò)濾推薦模型的研究.pdf

1、電子商務(wù)（Electronic Business）是指利用電子技術(shù)從事相關(guān)商業(yè)活動(dòng)。電子商務(wù)系統(tǒng)通過(guò)Internet網(wǎng)絡(luò)建立虛擬的網(wǎng)上商店。隨著電子商務(wù)系統(tǒng)規(guī)模的不斷擴(kuò)大，對(duì)于網(wǎng)上商店的用戶來(lái)說(shuō)，需要在大量的無(wú)關(guān)的商品中，花費(fèi)過(guò)多的時(shí)間和精力才能挑選到自己心儀的商品。針對(duì)這類信息過(guò)載的實(shí)際問(wèn)題，為了幫助消費(fèi)者方便快速的購(gòu)物，推薦系統(tǒng)技術(shù)應(yīng)運(yùn)而生。推薦系統(tǒng)的目的是在實(shí)時(shí)性的要求下，產(chǎn)生有效的而又精確的推薦結(jié)果，因此，近年來(lái)研究人員提出了各

2、種不同的推薦系統(tǒng)的算法，目前主要的推薦系統(tǒng)算法包括：基于關(guān)聯(lián)規(guī)則的推薦算法（Association Rule-based Recommendation，ARBR）、基于內(nèi)容的推薦算法（Content-based Recommendation，CBR）、協(xié)同過(guò)濾推薦算法（Collaborative Filtering Recommendation，CFR），以及混合推薦算法（Hybrid Recommendation，HR）。其中，協(xié)同過(guò)

3、濾推薦算法擁有很好的推薦精度和可擴(kuò)展性，是極為成功的一類推薦模型。
　　近幾年來(lái)，推薦系統(tǒng)面臨著大數(shù)據(jù)量和推薦實(shí)時(shí)性的雙重考驗(yàn)，本文從推薦模型的技術(shù)角度出發(fā)，提出一種兼?zhèn)鋮f(xié)同過(guò)濾推薦模型的性能，以及并行計(jì)算高速率的推薦模型。本論文的主要研究工作概括為以下幾個(gè)部分：
　　①分析比較了主流電子商務(wù)推薦算法的特點(diǎn)，詳細(xì)闡述了基于規(guī)范矩陣因式分解的協(xié)同過(guò)濾推薦（RMF）模型及其演化模型；
　　②從理論上分析了RMF的模型構(gòu)造和

4、訓(xùn)練過(guò)程，從而發(fā)現(xiàn)并指出阻礙RMF模型實(shí)現(xiàn)并行化的最大障礙在于項(xiàng)目特征和用戶特征之間的相互依賴關(guān)系；
　?、垩芯縍MF模型處理過(guò)程中的隨機(jī)梯度下降法（SGD）和最小二乘法（P-ALS），實(shí)現(xiàn)利用交替隨機(jī)梯度下降（ASGD）法替代SGD來(lái)處理模型的參數(shù)訓(xùn)練過(guò)程，以消除訓(xùn)練過(guò)程中特征之間的相互依賴關(guān)系；
　?、芴岢霾?shí)現(xiàn)了并行的協(xié)同過(guò)濾推薦模型（P-RMF）模型，這種模型可以同時(shí)對(duì)用戶特征和項(xiàng)目特征參數(shù)進(jìn)行并行訓(xùn)練，以保證不降低