论文部分内容阅读
云计算、移动互联网和社交媒体等技术的迅猛发展，使得网络空间中所蕴含的信息量呈指数级增长。作为缓解信息过载问题的有效手段，推荐系统得到了学术界和工业界的广泛关注，相关研究成果已经融入日常生活的各项个性化服务中。矩阵分解(Matrix Factorization,MF)模型因具有较高的预测准确度和良好的可扩展性，常被用于个性化推荐系统中。
MF模型的优化方法之一是利用附加信息来提高推荐准确度，常用的附加信息是用户与产品的属性信息。针对已有相关研究主要考虑属性信息本身而忽略了属性之间的交互关系所带来的附加信息问题，本文提出一种基于属性交互感知的矩阵分解(Attribute Interaction-aware Matrix Factorization,AIMF)模型，通过充分挖掘数据中隐藏的信息，进一步提升模型的推荐准确率。论文主要工作和创新点如下：
(1)通过参考场感知因子分解机模型中提出的场感知概念，在MF模型中引入属性交互感知的思想，提出AIMF模型。AIMF模型针对不同的属性交互类别对原评分矩阵进行分割，对每个用户和产品单独训练多组隐向量，帮助发现属性交互中隐藏的信息，并用于最终的推荐。每个分割后的子矩阵都可以独立训练，并行处理技术被用于降低模型的整体训练时间。
(2)提出两种针对AIMF模型的优化算法，分别从正则化系数与隐向量维度的自适应优化角度调整了预测公式。此外，还考虑到不同属性交互的影响力差异，提出了一种组合隐向量进行预测推荐的权重分配算法，该分配算法可以根据属性交互的不同影响力智能地调整相应权重。
(3)在两个公开的电影评分数据集上将AIMF模型与MF及其他相关优化模型进行对比分析。采用四个评价指标：均方根误差、无顺序Top-K推荐命中率、有顺序Top-K推荐命中率，以及模型整体训练时间。实验结果表明，AIMF模型相比其他对比模型在这些指标上都有明显提升，验证了模型的有效性。
论文最后将所提出的AIMF模型应用于实际的推荐系统中，并针对推荐中存在的冷启动与模型更新问题提出了相应的解决方案。
MF模型的优化方法之一是利用附加信息来提高推荐准确度，常用的附加信息是用户与产品的属性信息。针对已有相关研究主要考虑属性信息本身而忽略了属性之间的交互关系所带来的附加信息问题，本文提出一种基于属性交互感知的矩阵分解(Attribute Interaction-aware Matrix Factorization,AIMF)模型，通过充分挖掘数据中隐藏的信息，进一步提升模型的推荐准确率。论文主要工作和创新点如下：
(1)通过参考场感知因子分解机模型中提出的场感知概念，在MF模型中引入属性交互感知的思想，提出AIMF模型。AIMF模型针对不同的属性交互类别对原评分矩阵进行分割，对每个用户和产品单独训练多组隐向量，帮助发现属性交互中隐藏的信息，并用于最终的推荐。每个分割后的子矩阵都可以独立训练，并行处理技术被用于降低模型的整体训练时间。
(2)提出两种针对AIMF模型的优化算法，分别从正则化系数与隐向量维度的自适应优化角度调整了预测公式。此外，还考虑到不同属性交互的影响力差异，提出了一种组合隐向量进行预测推荐的权重分配算法，该分配算法可以根据属性交互的不同影响力智能地调整相应权重。
(3)在两个公开的电影评分数据集上将AIMF模型与MF及其他相关优化模型进行对比分析。采用四个评价指标：均方根误差、无顺序Top-K推荐命中率、有顺序Top-K推荐命中率，以及模型整体训练时间。实验结果表明，AIMF模型相比其他对比模型在这些指标上都有明显提升，验证了模型的有效性。
论文最后将所提出的AIMF模型应用于实际的推荐系统中，并针对推荐中存在的冷启动与模型更新问题提出了相应的解决方案。