【摘要】：伴隨著大數(shù)據(jù)時代和移動互聯(lián)網(wǎng)時代的來臨,人們之間的交流更加頻繁,關系更加緊密,信息匱乏的時代一去不返,信息過載的時代接踵而來。電子商務網(wǎng)站出現(xiàn)"井噴式爆發(fā)",人們的購物和生活方式發(fā)生了翻天覆地的變化。在這樣的網(wǎng)絡時代,傳統(tǒng)的搜索算法不能為用戶提供個性化的搜索列表,用戶和市場的需求無法完全得到滿足。因此,推薦系統(tǒng)作為一種個性化搜索工具應運而生,用于幫助用戶對購物做出選擇。推薦系統(tǒng)根據(jù)用戶以往的查詢歷史、交易記錄、用戶資料或產(chǎn)品內容等信息,幫助用戶對物品進行篩選、過濾,選擇消費者最可能感興趣的產(chǎn)品作為返回結果。這種方式一方面縮短了系統(tǒng)運行的時間,另一方面大大提高了用戶獲取信息的效率。當前的個性化推薦系統(tǒng)和相應算法更多地把目光投向于提高推薦系統(tǒng)的精確度,然而單純考慮精確度的推薦算法往往將更多的流行物品推薦給用戶,使得推薦列表變得單調,用戶的視野變得狹窄,不能得到有價值的推薦信息。因此,推薦系統(tǒng)多樣性作為推薦列表中物品豐富程度的代表,相關的研究越來越受到廣泛的重視。提高推薦系統(tǒng)的多樣性可以帶來雙贏的效果:一方面,依靠推薦系統(tǒng)的幫助,用戶可以開拓視野,發(fā)現(xiàn)對自己有價值的商品;另一方面,商家企業(yè)可以利用推薦系統(tǒng)增加冷門商品的銷售額并提升用戶的滿意程度,從而培養(yǎng)客戶的忠誠度�，F(xiàn)有的算法大多利用特定的多樣性評價指標,采用啟發(fā)式策略對物品進行重新排序,從而得到新的推薦列表。首先根據(jù)傳統(tǒng)的基于精確度的算法選擇一個用戶偏愛的物品集合,然后通過最大化選定的多樣性指標產(chǎn)生前k個物品的推薦列表。然而這些算法將推薦系統(tǒng)的精確度和多樣性分成獨立的兩部分考慮,分別優(yōu)化精確度和多樣性兩個目標函數(shù)造成問題求解效率下降,并不能很好的定義和解決監(jiān)督學習問題。為了解決上述問題,本文利用監(jiān)督學習方法在保證精確度的前提下研究推薦系統(tǒng)多樣性的問題。其主要貢獻有以下三個方面:(1)本文基于監(jiān)督學習方法探究一個在保證精確度的前提下提高推薦系統(tǒng)多樣性的算法。隨后定義了一對耦合的優(yōu)化問題:參數(shù)化矩陣分解問題和結構化支持向量機學習問題。(2)本文提出多樣化協(xié)同過濾算法用以解決上述耦合問題,其中,結構化支持向量機學習得到一個推薦模型,用來生成每個用戶的推薦列表。在模型學習的過程中,參數(shù)化矩陣分解算法貫穿在每一步優(yōu)化過程中,用來生成最適合結構化支持向量機的用戶和物品的潛在向量表示。(3)本文提出了新的基于集合的評價推薦系統(tǒng)精確度和多樣性的測度:成對精確度和歸一化主題覆蓋多樣性,并分別驗證了新評價指標與基于排序的精確度和多樣性評價指標之間的一致性。最后本文在不同數(shù)據(jù)集上進行大量重復的實驗,通過分析實驗結果來驗證本文提出的算法在不同評價指標上的有效性并進行顯著性檢測。
[Abstract]:With the advent of the era of big data and mobile internet, people communicate more frequently, the relationship is closer, the era of lack of information is gone, the era of information overload comes one after another. In the Internet age, traditional search algorithms can not provide personalized search lists for users, and the needs of users and the market can not be fully met. Therefore, recommendation system as a personalized search tool came into being to help users make choices about shopping. Information such as material or product content helps users to screen, filter, and select the product that consumers are most likely to be interested in as a return result. This method on the one hand shortens the running time of the system, on the other hand greatly improves the efficiency of users to obtain information. Optical projection improves the accuracy of the recommendation system. However, recommendation algorithms that simply consider the accuracy often recommend more popular items to users, making the recommendation list monotonous, narrowing the user's vision, and unable to get valuable recommendation information. On the one hand, with the help of recommendation systems, users can broaden their horizons and discover products of value to themselves; on the other hand, businesses can use recommendation systems to increase sales of cold-door products and enhance their use. Most of the existing algorithms use specific diversity evaluation indicators and use heuristic strategies to reorder the items to get a new recommendation list. Firstly, a user-preferred item set is selected according to the traditional precision-based algorithm, and then the user-preferred item set is selected by maximizing the selection. However, these algorithms divide the accuracy and diversity of the recommendation system into two separate parts, and optimize the accuracy and diversity of the two objective functions respectively, resulting in the problem solving efficiency is reduced, which can not well define and solve the supervised learning problem. The main contributions of this paper are as follows: (1) Based on the supervised learning method, this paper explores an algorithm to improve the diversity of recommendation systems under the premise of ensuring accuracy. (2) In order to solve the coupling problem mentioned above, this paper proposes a diversified collaborative filtering algorithm, in which the structured support vector machine learns to get a recommendation model to generate a recommendation list for each user. (3) A new set-based measure for the accuracy and diversity of evaluation recommendation systems is proposed: pairwise accuracy and normalized topic coverage diversity, and the new evaluation index and ranking-based method are validated respectively. Finally, a large number of repeated experiments are carried out on different data sets to verify the effectiveness of the proposed algorithm in different evaluation indicators and to detect the significance of the results.
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關期刊論文 前10條

1 董玉林;龐麗萍;夏重杭;;監(jiān)督學習問題中的最優(yōu)性條件與數(shù)值試驗[J];高等學校計算數(shù)學學報;2005年S1期

2 陳志民;楊敬鋒;陳其昌;張嘉琪;陳強;;融合監(jiān)督學習與凝聚層次聚類的土地評價方法[J];計算機工程與應用;2007年18期

3 張鋼;印鑒;程良倫;鐘欽靈;;半監(jiān)督多示例核[J];計算機科學;2011年09期

4 費越,汪力新,戴汝為;競爭監(jiān)督學習法在集成型識別系統(tǒng)中的應用[J];自動化學報;1999年03期

5 袁優(yōu);張鋼;;一種基于標簽傳播的半監(jiān)督核學習算法[J];電腦與電信;2013年11期

6 汪力新;費越;戴汝為;;基于人機結合的競爭監(jiān)督學習[J];模式識別與人工智能;1997年03期

7 蔣艷凰;周海芳;楊學軍;;監(jiān)督學習的發(fā)展動態(tài)[J];計算機科學;2003年07期

8 壽皓;;序列數(shù)據(jù)的監(jiān)督學習方法綜述[J];機電工程技術;2012年08期

9 黃德雙;自監(jiān)督學習子空間模式識別方法的統(tǒng)計特性分析[J];電子學報;1995年09期

10 周哲;;基于情感詞典和監(jiān)督學習的中文短評論情感分類[J];漳州師范學院學報(自然科學版);2013年04期

相關會議論文 前1條

1 李軍;孫金生;王執(zhí)銓;;模型參考神經(jīng)元控制[A];1996中國控制與決策學術年會論文集[C];1996年

相關博士學位論文 前3條

1 程圣軍;基于帶約束隨機游走圖模型的弱監(jiān)督學習算法研究[D];哈爾濱工業(yè)大學;2014年

2 孟佳娜;遷移學習在文本分類中的應用研究[D];大連理工大學;2011年

3 夏錚;基于圖和網(wǎng)絡的學習算法及其在系統(tǒng)生物學中的一些應用[D];浙江大學;2009年

相關碩士學位論文 前10條

1 劉錦文;基于新聞數(shù)據(jù)的中文人物社會關系抽取研究[D];中國科學技術大學;2016年

2 黃俏穎;基于多示例弱監(jiān)督學習的物體檢測和分類方法研究[D];哈爾濱工業(yè)大學;2016年

3 李濤;基于監(jiān)督學習的腫瘤特征基因選擇方法研究[D];河南師范大學;2016年

4 程佩哲;基于監(jiān)督學習的多樣化推薦算法研究[D];山東大學;2017年

5 郭佳騁;監(jiān)督學習的話題模型[D];上海交通大學;2010年

6 戴衛(wèi)特;監(jiān)督學習算法在預測太陽能生產(chǎn)中的應用[D];中南大學;2014年

7 張從樂;基于知識型數(shù)據(jù)的監(jiān)督學習[D];上海交通大學;2008年

8 楊杰;監(jiān)督主題模型的研究與應用[D];華中科技大學;2011年

9 李鋼;代價敏感的支持向量機監(jiān)督學習研究[D];南京師范大學;2007年

10 姚娜娜;基于機器學習的產(chǎn)品評論情感分類研究[D];首都師范大學;2013年

，

本文編號：2227514