隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,我們已經(jīng)進(jìn)入了信息過載的時(shí)代,面對(duì)互聯(lián)網(wǎng)上海量的信息,人們需要花費(fèi)大量時(shí)間才能找到他們真正需要的信息。在此背景下,推薦系統(tǒng)應(yīng)運(yùn)而生了,推薦系統(tǒng)通過分析用戶過去的行為,為用戶智能推薦他(她)可能感興趣的信息。推薦系統(tǒng)經(jīng)過近20年的發(fā)展,已經(jīng)被很多企業(yè)應(yīng)用在了實(shí)際的系統(tǒng)中,如Yotube、Amazon、淘寶和今日頭條等。雖然推薦系統(tǒng)已經(jīng)在企業(yè)中得到了廣泛的應(yīng)用,但是它仍然面臨著準(zhǔn)確性、冷啟動(dòng)和可擴(kuò)展性等問題。協(xié)同過濾算法是推薦系統(tǒng)最常用且最成功的算法,其中矩陣分解是一種廣泛使用的協(xié)同過濾模型。矩陣分解模型通過隨機(jī)梯度下降法(SGD)對(duì)參數(shù)進(jìn)行更新,它在模型訓(xùn)練的過程中需要對(duì)訓(xùn)練集遍歷若干次�；赟GD的矩陣分解模型是一種離線算法,需要構(gòu)造離線訓(xùn)練集;并且它的可擴(kuò)展性有限,即隨著數(shù)據(jù)集的增加,訓(xùn)練耗時(shí)急劇增加。為了解決矩陣分解模型的可擴(kuò)展性問題,本文提出了一種基于FTRL的矩陣分解模型,它通過FTRL方法對(duì)參數(shù)進(jìn)行更新,只需要遍歷一次訓(xùn)練集,大大降低了模型的訓(xùn)練時(shí)間。同時(shí)它也是一種在線學(xué)習(xí)算法,可以實(shí)時(shí)地根據(jù)用戶的反饋數(shù)據(jù)對(duì)模型進(jìn)行更新,從而能夠及時(shí)對(duì)用戶的行為進(jìn)行...

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
    1.4 本文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)
    2.1 推薦算法相關(guān)技術(shù)
        2.1.1 基于內(nèi)容的推薦模型
        2.1.2 基于協(xié)同過濾的推薦模型
        2.1.3 混合推薦模型
        2.1.4 相似度計(jì)算方式
    2.2 在線學(xué)習(xí)算法
        2.2.1 梯度下降法
        2.2.2 離線學(xué)習(xí)
        2.2.3 在線學(xué)習(xí)
    2.3 自編碼器相關(guān)技術(shù)
        2.3.1 去噪自編碼器
        2.3.2 堆疊自編碼器
    2.4 因子分解機(jī)
    2.5 本章小結(jié)
第三章 基于FTRL的矩陣分解模型
    3.1 需求分析
    3.2 問題描述
    3.3 基于SGD的矩陣分解模型
    3.4 基于FTRL的矩陣分解模型
    3.5 實(shí)驗(yàn)設(shè)計(jì)及分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)
        3.5.2 評(píng)判標(biāo)準(zhǔn)
        3.5.3 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第四章 新型混合推薦模型的設(shè)計(jì)和實(shí)現(xiàn)
    4.1 需求分析
    4.2 模型結(jié)構(gòu)設(shè)計(jì)
        4.2.1 DAE部分
        4.2.2 CFM部分
        4.2.3 損失函數(shù)
        4.2.4 模型實(shí)現(xiàn)
    4.3 實(shí)驗(yàn)設(shè)計(jì)及分析
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)判標(biāo)準(zhǔn)
        4.3.2 基線和參數(shù)選擇
        4.3.3 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第五章 綠出行推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 綠出行簡(jiǎn)介
    5.2 推薦系統(tǒng)整體設(shè)計(jì)
    5.3 離線訓(xùn)練部分功能設(shè)計(jì)
        5.3.1 數(shù)據(jù)預(yù)處理模塊
        5.3.2 特征抽取模塊
        5.3.3 模型訓(xùn)練模塊
    5.4 線上服務(wù)部分功能設(shè)計(jì)
        5.4.1 召回模塊
        5.4.2 排序模塊
    5.5 推薦系統(tǒng)接口及類圖
    5.6 實(shí)驗(yàn)設(shè)計(jì)及分析
        5.6.1 實(shí)驗(yàn)數(shù)據(jù)及評(píng)判標(biāo)準(zhǔn)
        5.6.2 實(shí)驗(yàn)過程及結(jié)果
    5.7 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
附錄
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄
致謝



本文編號(hào)：3887777