基于優(yōu)化支持向量機的個性化推薦研究.pdf

1、在過去的十幾年中，互聯(lián)網(wǎng)上的信息量迅速增加，人們從信息匱乏時代進入了“信息過載”時代。海量信息使人們無法快速、準確地從如此龐大的信息資源中定位到自己感興趣的信息。個性化推薦作為解決該問題的有效方法，可以根據(jù)用戶的歷史行為信息建立“用戶-項目”間的關(guān)聯(lián)關(guān)系模型，挖掘用戶的興趣和偏好，為用戶推薦個性化的資源。
　　個性化推薦在實際應用中存在小樣本、高維度和非線性等問題，鑒于支持向量機在小樣本學習，解決非線性問題時可以較好的克服“維度災

2、難”，以及處理高維稀疏數(shù)據(jù)方面的優(yōu)勢，本文提出了基于支持向量機的個性化推薦方法，實現(xiàn)對項目的內(nèi)容信息以及用戶行為信息的綜合分析與挖掘。
　　本文完成的主要研宄工作如下：
　　①針對傳統(tǒng)的協(xié)同過濾推薦方法存在相似度計算方式單一，不易利用項目的內(nèi)容信息和冷啟動等問題，提出了利用支持向量分類機方法來代替?zhèn)鹘y(tǒng)的相似度計算，不僅考慮了用戶的行為信息，而且也利用了項目的內(nèi)容信息和用戶的人口統(tǒng)計學信息。同時，利用帶收縮因子的動態(tài)慣性權(quán)重自

3、適應粒子群優(yōu)化算法對支持向量分類機的參數(shù)進行優(yōu)化，以期提高推薦模型的準確率。
　　②針對實際應用中，不僅需要推薦列表，而且還需要詳細的評分信息（在某種程度上反映了用戶的興趣度），提出了基于支持向量機先分類再回歸的推薦方法。該方法根據(jù)“用戶-項目”關(guān)聯(lián)關(guān)系信息，構(gòu)造特征向量并訓練一個分類模型，預測項目的類別，形成一個初始推薦列表；然后，在該推薦列表上建立一個回歸模型，預測項目的具體評分；并且在建立分類模型和回歸模型時，采用提出的帶進

4、化速度和聚集度的自適應粒子群優(yōu)化算法，來優(yōu)化預測模型。
　?、坩槍Υ笠?guī)模數(shù)據(jù)中的推薦效率和實時性等問題，提出了基于平滑技術(shù)和核減少技術(shù)的對稱支持向量機推薦方法。該方法采用平滑技術(shù)對對稱支持向量機進行變換，避免了大規(guī)模矩陣的求逆運算，降低了算法的時間復雜度。為進一步提高大規(guī)模數(shù)據(jù)的處理能力，采用核減少技術(shù)進一步降低算法的時間復雜度和空間復雜度。同時，鑒于用戶的興趣和偏好會隨著時間、地點等不斷演化，對推薦系統(tǒng)的實時性要求較高。為此，引

5、入反饋機制，將用戶的評分數(shù)據(jù)及時加入到歷史數(shù)據(jù)中，并設計訓練規(guī)則，啟動模型的重新訓練，使模型具有一定的自適應能力，提高了模型的推薦質(zhì)量。
　?、茚槍€性化推薦中有標簽數(shù)據(jù)價值高但稀少，同時對無標簽數(shù)據(jù)標注存在耗時、耗力、代價高等問題，提出了基于主動學習的半監(jiān)督直推式支持向量機推薦方法。首先，挖掘用戶評價信息中有價值的評論信息，并將其加入到“用戶-項目”關(guān)聯(lián)關(guān)系數(shù)據(jù)集中；然后，采用批采樣的主動學習策略對大量無標簽的“用戶-項目”數(shù)據(jù)