基于机器学习的融合推荐算法研究

为了缓解信息爆炸的困境，采用机器学习算法建立一个融合的推荐系统以提高预测准确性和聚合推荐多

推荐系统现已成为诸多领域的重要工具，如信息检索、旅游、近似理论、商业和营销中的消费者选择建模以及预测理论[1]。众多个性化推荐技术中应用最广泛的是协同过滤推荐算法[2]。近年来，国内外诸多学者皆对推荐系统进行研究。文献[3]提出了一种人工免疫系统方法来进行矩阵分解，以优化学习过程中的潜在特征。在大型数据集上有良好表现，但却有分类准确度较低的不足。文献[4]提出了一种基于单线程的流形正则化非负矩阵分解模型，可以避免大规模矩阵操作。文献[5]提出了一种新的贝叶斯网络模型，通过结合基于内容和协作的功能来处理混合推荐问题。为了解决推荐系统的稀疏性和可扩展性两个主要缺点，文献[1]开发一种基于协同过滤方法的新型混合推荐方法。以上方法尽管能缓解推荐系统存在的部分问题，但并未兼顾计算速度与推荐结果个性化。鉴于此，本文基于多个弱学习者可以产生比单个强学习者更好的模型这一机器学习理论，提出一种基于机器学习的融合推荐算法，能够提高计算速度并克服冷启动问题，为用户提供个性化服务。

2. 基本理论 2.1. 交替最小二乘法ALS 在将用户对商品的评分矩阵分解成用户对商品隐含特征的偏好矩阵和商品所包含的隐含特征矩阵这一过程中，由于存在大量的缺失评分项，传统的奇异值分解SVD 不易处理稀疏矩阵，而交替最小二乘法可以很好的解决这个问题。

对于m n×R的矩阵， ALS 旨在找到m k×X和n k×Y两个低秩矩阵来近似逼近m n×R， 即： Tm nm kn k×××≈RXY (1) 其中m n×R代表用户对商品的评分矩阵， m k×X表示用户对隐含特征的偏好矩阵， n k×Y则表示商品所包含隐含特征的矩阵，T 表示矩阵n k×Y的转置。Funk 函数定义为： ()()2T, , ijiji j rL∈=−∑X YRX Y (2) 引入正则化参数λ 防止过拟合，ALS 的优化目标函数为： ()()()222T22, , ijijiji j rLλ∈=−++∑X YRX YXY (3)