CPS下协同过滤推荐算法研究

作     者：钟俊伟 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：张立臣

授予年度：2022年

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

主      题：协同过滤 跨域推荐算法 数据稀疏 冷启动 

摘      要：信息物理系统（Cyber Physical System,CPS）是工业4.0中的重要组成部分,能够在未来的设计和开发中发挥重要作用。其通过对计算,网络与物理环境的综合,实现了计算资源和物理资源的结合协调。但CPS在给人们带来便捷的同时也带来了信息超载的情况,若能对这些多源巨量数据加以利用,将能进一步便利人们的生活。协同过滤推荐算法是解决信息超载的有效方案,其通过对现有用户交互数据进行处理,提取相似之处,最终给予用户合适的推荐。但在当前的CPS环境下,随着用户规模和项目数量的急剧增长,传统的协同过滤推荐算法的缺陷逐渐暴露出来,特别是在新用户、新项目和新系统的冷启动以及用户行为数据稀疏等的问题上,这些问题致使协同过滤推荐性能降低。为了解决这些问题导致的推荐效果不佳,研究采用了跨域协同过滤推荐的方式,通过改进的跨域推荐算法,以辅助域数据为参考,提取辅助域数据中的有效信息,迁移推荐知识至目标域的数据中,使其能够通过其他领域中包含的有效推荐信息,扩充目标域数据,从而缓解数据稀疏和冷启动问题,致使达到良好的推荐效果。研究主要的内容和贡献如下:（1）通过分析传统协同过滤算法和跨域协同过滤推荐算法,了解跨域推荐与传统协同过滤推荐的思想,对比分析算法间的异同,明确设计思路。（2）以非负正交矩阵的三分解（Orthogonal Nonnegative Matrix Tri-factorization,ONMTF）为基础,提出基于谱聚类算法对现有密码本迁移算法（Code Book Transform Learning,CBT）进行改进,使其在辅助域提取信息时拥有更高的精度,提升跨域知识迁移的准确性。（3）在改进的CBT算法基础上,利用谱聚类的特性,融入数据包含的更多信息,在用户侧数据处理中引入时间信息的加权相似度方法,提出改进的时间衰减函数,同时项目侧引入类别信息的加权相似度方法,将多信息融入到跨域推荐的过程中,提高推荐的准确性。（4）搭建实验环境,使用豆瓣数据集和Movie Lens-Latest数据集构建实验数据进行双向跨域迁移推荐实验,同时与现有算法和传统协同过滤算法进行对比分析,结果表明,改进后的跨域推荐算法能够缓解数据稀疏问题,有效提升推荐精度。