本文選題：推薦系統(tǒng)　切入點：特征表示　出處：《浙江大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：推薦系統(tǒng)作為一種信息過濾工具誕生至今已有20余年,推薦算法的應(yīng)用場景亦早已不限于電商領(lǐng)域,轉(zhuǎn)而在諸多關(guān)聯(lián)人和信息的領(lǐng)域發(fā)揮作用。早期的推薦算法多采用單一的用戶物品交互數(shù)據(jù),基于上下文信息的推薦算法致力于通過額外場景信息的引入來對傳統(tǒng)推薦算法進(jìn)行改良。受神經(jīng)網(wǎng)絡(luò)和矩陣分解算法普及的影響,特征表示的算法日新月異。本文致力于通過基于上下文的特征表示,在隱式反饋數(shù)據(jù)上引入上下文信息以提升推薦精度,具體包括三方面工作:·歸納總結(jié)并實現(xiàn)常見的基于特征表示的推薦模型。具體地,針對引入了上下文的隱式數(shù)據(jù)推薦場景,改進(jìn)并實現(xiàn)矩陣分解和因子機(jī)算法;因推薦中神經(jīng)網(wǎng)絡(luò)模型應(yīng)用較少,且一般只使用單一評分?jǐn)?shù)據(jù),設(shè)計了一種可引入多源特征數(shù)據(jù)的DeepRec算法�！ぴ陔[因子模型基礎(chǔ)上,提出一種基于上下文信息的矩陣分解方法(Context Aware Matrix Factorization.,CAMF)。建模非線性的特征交互關(guān)系,同時又緩解數(shù)據(jù)稀疏性。引入按對排序?qū)W習(xí)框架,更加貼近基于隱式反饋數(shù)據(jù)的Top-K推薦場景,提升相關(guān)推薦算法性能�！め槍谏舷挛耐扑]的場景,基于Stacking模型融合框架,定制了一種不同深淺層次的多模型融合框架(Joint-training)。相比傳統(tǒng)模型集成方法,在不降低預(yù)測準(zhǔn)確率的前提下,更加的輕量快速。上述三方面的工作始于對APP推薦問題的研究,但不限于APP領(lǐng)域。為此,本文在IJCAI SocInf 2016推薦比賽數(shù)據(jù)上進(jìn)行實驗,以進(jìn)一步驗證本文相關(guān)工作在基于上下文的推薦場景中,具有一定的通用性。
[Abstract]:As a kind of information filtering tool, recommendation system has been born for more than 20 years, and the application scene of recommendation algorithm is not limited to the field of e-commerce. In turn, they play a role in a wide range of related people and information fields. Early recommendation algorithms used a single user object to interact with data. Context-based recommendation algorithms are designed to improve the traditional recommendation algorithms through the introduction of additional scenario information, which is influenced by the popularity of neural networks and matrix decomposition algorithms. The algorithm of feature representation is changing with each passing day. In this paper, context information is introduced into implicit feedback data to improve recommendation accuracy through context-based feature representation. It includes three aspects: 路generalizing and implementing the common recommendation model based on feature representation. Specifically, the matrix decomposition and factoring algorithm are improved and implemented in the context of the implicit data recommendation scene. Because the neural network model is seldom used in recommendation, and only a single score data is generally used, a DeepRec algorithm which can introduce multi-source feature data is designed. A method of matrix decomposition based on context information is proposed to model nonlinear feature interaction and reduce the sparsity of data. This method is more close to the Top-K recommendation scenario based on implicit feedback data. Improve the performance of related recommendation algorithms. 路for context-based recommendation scenarios, based on the Stacking model fusion framework, a multi-model fusion framework with different depth and shallow level is customized. Compared with the traditional model integration method, a multi-model fusion framework is proposed. Under the premise of not reducing the accuracy of prediction, it is more light and fast. The work of the above three aspects begins with the research of APP recommendation problem, but is not limited to the field of APP. Therefore, this paper carries on the experiment on the IJCAI SocInf 2016 recommendation contest data. In order to further verify that the related work in the context of the recommendation scenario, a certain degree of versatility.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李穎基,彭宏,鄭啟倫,曾煒;自動分層推薦算法[J];計算機(jī)應(yīng)用;2002年11期

2 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機(jī)系統(tǒng)應(yīng)用;2006年10期

3 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機(jī)應(yīng)用;2007年06期

4 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機(jī)應(yīng)用與軟件;2008年09期

5 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

6 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

7 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2010年19期

8 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

9 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機(jī)信息;2010年36期

10 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2011年16期

相關(guān)會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：1639420