在當(dāng)今的很多應(yīng)用中,在線推薦已經(jīng)成為一個(gè)重要特征。為了更好的用戶(hù)體驗(yàn)和更高效的信息搜索,在電子商務(wù)、流服務(wù)、新聞、音樂(lè)等眾多服務(wù)平臺(tái)中,在線推薦都是一個(gè)重要的應(yīng)用模塊。各種在線推薦算法由此應(yīng)運(yùn)而生,越來(lái)越多的研究工作集中于探索如何應(yīng)用所有歷史數(shù)據(jù)生成一個(gè)更好的推薦模型從而得到更好的推薦結(jié)果。實(shí)際上,用戶(hù)和推薦系統(tǒng)之間可能存在稀疏交互,也就是說(shuō),用戶(hù)在使用過(guò)程中并不總是和推薦系統(tǒng)進(jìn)行交互,這有可能影響用于生成模型的歷史日志數(shù)據(jù)的質(zhì)量。例如,有些用戶(hù)更喜歡瀏覽推薦列表的標(biāo)題,而不是點(diǎn)擊查看推薦內(nèi)容的詳情信息。此外,有些用戶(hù)可能只是打開(kāi)網(wǎng)頁(yè)而做著其他事情,其注意力并不在網(wǎng)頁(yè)內(nèi)容上,推薦內(nèi)容完全被忽視。因此,在這些情境下產(chǎn)生的日志數(shù)據(jù)中,一個(gè)獎(jiǎng)賞為零的反饋并不一定代表負(fù)反饋（即不符合用戶(hù)興趣）,而有可能是無(wú)反饋（即未被觀測(cè)）。當(dāng)每次只有一個(gè)物品推薦給用戶(hù)并且沒(méi)有其他多余上下文信息時(shí),區(qū)分負(fù)反饋和無(wú)反饋?zhàn)兊酶蛹帧４蠖鄶?shù)已有推薦策略都忽視了負(fù)反饋和無(wú)反饋之間的區(qū)別,他們將所有歷史數(shù)據(jù)都當(dāng)作有效反饋數(shù)據(jù),并使用所有的歷史數(shù)據(jù)訓(xùn)練用戶(hù)模型。事實(shí)上,由于用戶(hù)稀疏交互的高發(fā)性,所有歷史數(shù)據(jù)中包含了很大... 

【文章來(lái)源】：南京大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１：新聞推薦??ＬｉｎＵＣＢ中假設(shè)?

圖２－２：信號(hào)分解??傅里葉變換的基本原理是：任意一個(gè)復(fù)雜的信號(hào)都能夠被分解為多個(gè)正弦??函數(shù)的疊加。如圖２－２所示，黑色的線代表的是原始復(fù)雜信號(hào)，看起來(lái)并不規(guī)??律，沒(méi)有周期性；而其他顏色的線均為分解得到的正弦信號(hào)，各自周期不同。??我們可以看到很多的止弦丨／ｉ兮共同組成一個(gè)復(fù)雜的原始信號(hào)。ｉｆ：弦函數(shù)使用??地越多，我們就可以越精確地?cái)M合原始Ｕ號(hào)。??

計(jì)算機(jī)只能處理離散形式的數(shù)據(jù)，因此，離散傅里葉變換可以被用于這種??離散信號(hào)的變換。離散傅里葉變換是傅里葉變換的一種離散形式，在時(shí)域和頻??域上都是離散的形式。在普通信號(hào)處理中，信號(hào)是連續(xù)的。如圖２－３所示，原??始信號(hào)為藍(lán)線所示，但這種連續(xù)的信號(hào)無(wú)法被計(jì)算機(jī)處理。所以，我們需要通??過(guò)采樣技術(shù)，從原始信號(hào)中采用得到離散值從而傳輸給計(jì)算機(jī)。通常我們采用??的采樣技術(shù)為等間隔采樣，也就是每隔一個(gè)固定的間隔對(duì)原始信號(hào)進(jìn)行采樣，??如圖中橘色虛線所示，記錄每次采樣對(duì)應(yīng)的信號(hào)值，最終得到的一個(gè)時(shí)間序列??為離散值序列，可以交由計(jì)算機(jī)進(jìn)行處理。對(duì)離散信號(hào)值進(jìn)行傅里葉變換的過(guò)??程，我們稱(chēng)為離散傅里葉變換。??－°－５?｜?ｉ｜／??－１．０??０?１?２?３?４?５?—?＂Ｔ—??圖２－３：信號(hào)離散化??２．４．１．３快速傅里葉變換及反傅里葉變換??快速傅里葉變換（Ｆａｓｔ?Ｆｏｕｒｉｅｒ?Ｔｒａｎｓｆｏｒｍ，?ＦＦＴ）?１４７１是離散傅里葉變換的快??速算法


本文編號(hào)：3088221