基于张量分解的上下文感知推荐及其应用

作     者：张爽 

作者单位：吉林大学 

学位级别：硕士

导师姓名：吕显瑞

授予年度：2015年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：推荐系统 矩阵分解 张量分解 上下文感知 最优化 

摘      要：推荐系统是当下热门的互联网应用系统，包括专门为用户选择产品提供建议的软件工具和技术.推荐系统属于信息过滤子学科，主要应用数据挖掘技术和预测算法在大量的可用信息上，预测用户对特定商品的评分或喜爱程度.传统的推荐系统使用基于内容的推荐，或是基于用户相似性、产品相似性的协同过滤推荐，以及在实际应用中结合二者的混合推荐方法. 推荐系统的核心是推荐算法，目前实际应用的主要算法包括基于内容、协同过滤和混合推荐算法，还有基于关联规则和应用聚类等数据挖掘的推荐算法.基于用户-产品二元关系的矩阵分解是较有效的推荐方法.随着社会化标签的诞生，又产生了应用用户-产品-标签的三元关系推荐.针对三元关系比较先进的研究成果还有基于张量分解的推荐算法,主要有CP分解，高维奇异值分解法和Multiverse分解等. 本文所做工作如下： （1）首先，详尽阐述推荐系统及其发展，并概括推荐系统分类和相关应用,指出推荐系统发展面临的主要问题. （2）其次，我们介绍了张量概念、处理二元关系的矩阵分解和处理多元关系的张量分解三方面主要内容.具体来说，给出张量的概念及张量在物理学科、代数学科以及计算机应用中概念的差别；详细介绍矩阵分解推荐理论，并给出实例展示矩阵分解在音乐推荐中的应用情况；张量分解是矩阵分解高维度的推广，张量可以很好利用“用户-产品-上下文这种三元元组信息建立三维张量模型实施推荐，我们详细介绍了张量分解的CP-分解模型和高维奇异值分解模型. (3)最后章节给出带上下文的三维张量分解模型和高维张量分解模型.利用“用户-产品-上下文这种三元组结构,把上下文感知中的隐式反馈信息作为张量的第三维度变量,改进高维奇异值分解(HOS VD).把目标函数,最小化,获得因子矩阵U*i,V*j,C*k和核张量G+,利用因子得到的隐含特征,代入我们定义的近似张量Y中,利用上式就估计出每个用户对所有产品的喜好程度,然后进一步实施优化.最终实现为用户在特定上下文隐式操作下推荐最优产品列表Top-N.在具体网购行为中,我们结合天猫(TMall)网站的真实行为数据,指出如何将用户浏览、收藏、装购物车、付款等行为和访问时间量化成上下文变量,进而应用张量分解模型进行产品推荐. (4)实验部分,我们利用天猫(TMall)等数据集验证算法有效性.包括对原始数据集的预处理,展示我们CCTF算法相对于二维矩阵分解命中率大大提高,在上下文变量的不同程度影响下对比分析四种同类算法算法效率.