基于核矩陣分解和魯棒估計(jì)的協(xié)同過濾推薦算法.pdf

1、協(xié)同過濾推薦是推薦系統(tǒng)中運(yùn)用成功的一種推薦技術(shù)，然而面對(duì)托攻擊時(shí)，已有協(xié)同過濾算法存在一些問題：首先，傳統(tǒng)的基于矩陣分解的協(xié)同過濾算法對(duì)離群點(diǎn)的容忍性弱，用戶和項(xiàng)目特征矩陣易受攻擊概貌的影響，因而模型的抗攻擊力較弱；其次，大多數(shù)算法不僅存在抗稀疏性問題而且算法的魯棒性也較弱。為了保證推薦質(zhì)量，本文在現(xiàn)有的研究現(xiàn)狀基礎(chǔ)上，從推薦算法的魯棒模型進(jìn)行了研究，旨在同時(shí)提高算法的精度和魯棒性。主要研究工作如下：
　　首先，本文提出了一種基于

2、核矩陣分解的魯棒協(xié)同過濾算法。然后利用評(píng)分矩陣的核映射和核距離誘導(dǎo)出了魯棒的核矩陣分解模型，并用尺度因子對(duì)模型中的殘差進(jìn)行調(diào)整，增強(qiáng)了模型的抗攻擊能力，實(shí)現(xiàn)對(duì)用戶特征矩陣和項(xiàng)目特征矩陣魯棒性的估計(jì)。最后提出了用核空間距離的方法計(jì)算用戶間的相似度，提高了相似度計(jì)算的可信性，進(jìn)而降低攻擊概貌對(duì)預(yù)測評(píng)分結(jié)果的影響。
　　其次，本文提出了一種基于核正則化和加權(quán)的M-估計(jì)量的魯棒推薦算法。在矩陣分解模型中，首先引入高斯核函數(shù)作為加權(quán)M-估計(jì)