基于自步學(xué)習(xí)的興趣點(diǎn)(POI)推薦技術(shù)研究
發(fā)布時(shí)間:2021-08-01 05:14
隨著第四代移動(dòng)網(wǎng)絡(luò)的快速發(fā)展以及內(nèi)置定位系統(tǒng)的完善,使得一些社交媒體平臺(tái)可以便捷的獲取用戶的位置信息。而用戶也可以根據(jù)自己的偏好將訪問(wèn)地點(diǎn)的相關(guān)信息分享在社交平臺(tái)上。由此向用戶推薦感興趣的地點(diǎn)(POI)成為了推薦領(lǐng)域下的一個(gè)熱門方向,越來(lái)越多的研究者提出了先進(jìn)的同時(shí)具有實(shí)際應(yīng)用意義的POI推薦算法。然而有些經(jīng)典的推薦算法經(jīng)常會(huì)面臨非凸優(yōu)化問(wèn)題,例如矩陣分解、神經(jīng)網(wǎng)絡(luò)等。尤其是在噪聲數(shù)據(jù)或者異常值的影響下,會(huì)導(dǎo)致推薦算法表現(xiàn)效果不佳。為了解決這一問(wèn)題,本文嘗試將自步學(xué)習(xí)的理念引入推薦算法中,并在真實(shí)的數(shù)據(jù)集下研究觀察其可行性。自步學(xué)習(xí)是一種新的模型學(xué)習(xí)方式,它采用了我們?nèi)粘I顚W(xué)習(xí)新事物的思想,將模型訓(xùn)練樣本的過(guò)程,變成由簡(jiǎn)至繁的過(guò)程,從而提高模型的效果。本文主要研究自步學(xué)習(xí)的特性,然后結(jié)合POI推薦領(lǐng)域的一些具有代表性的算法,深入研究自步學(xué)習(xí)在推薦算法上的應(yīng)用,以緩解噪聲數(shù)據(jù)對(duì)模型的影響,進(jìn)而提高推薦的效果。本文主要的研究工作和創(chuàng)新點(diǎn)如下:(1)為了分析自步學(xué)習(xí)的特性,我們結(jié)合傳統(tǒng)矩陣分解算法,證實(shí)了在噪聲數(shù)據(jù)的影響下,自步學(xué)習(xí)確實(shí)可以幫助矩陣分解達(dá)到一個(gè)很好的效果。同時(shí)我們?cè)谡鎸?shí)數(shù)據(jù)...
【文章來(lái)源】:電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:82 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
課程學(xué)習(xí)
自步學(xué)習(xí)樣例
電子科技大學(xué)碩士學(xué)位論文12品向量的內(nèi)積表示用戶對(duì)該物品的偏好。以評(píng)分預(yù)測(cè)任務(wù)為例,如表2-1所示,通常將用戶和物品的交互行為表示為矩陣的形式,矩陣中某個(gè)元素表示用戶對(duì)物品的評(píng)分,一般取值為1-5,“?”表示用戶對(duì)該物品不存在行為記錄。在推薦系統(tǒng)中評(píng)分預(yù)測(cè)任務(wù)相當(dāng)于是一個(gè)將用戶物品矩陣補(bǔ)全的任務(wù),即通過(guò)學(xué)習(xí)矩陣中已經(jīng)存在的數(shù)據(jù)來(lái)預(yù)測(cè)用戶對(duì)未進(jìn)行交互物品的評(píng)分。需要注意的是現(xiàn)實(shí)生活中這個(gè)矩陣是非常稀疏的,正常情況下稀疏度可以達(dá)到90%以上。所以如何充分學(xué)習(xí)利用已有用戶物品的交互記錄去預(yù)測(cè)未曾交互的行為是推薦系統(tǒng)評(píng)分預(yù)測(cè)任務(wù)中的關(guān)鍵問(wèn)題。表2-1評(píng)分矩陣12241435?2421?33?24444??52135推薦系統(tǒng)中的評(píng)分預(yù)測(cè)任務(wù)可以看成是對(duì)用戶物品交互矩陣進(jìn)行填空補(bǔ)全的任務(wù),而矩陣分解技術(shù)是解決這個(gè)任務(wù)最常見的手段。矩陣分解的目標(biāo)是通過(guò)機(jī)器學(xué)習(xí)的方式將用戶物品矩陣中的缺失的數(shù)據(jù)進(jìn)行填補(bǔ),最終可以達(dá)到推薦的目的。具體來(lái)說(shuō),假設(shè)用戶物品的評(píng)分矩陣為R∈×,R是m×n維的表示含有m個(gè)用戶、n個(gè)物品。然后為了將R分解為用戶矩陣U和物品矩陣S,開始選擇隨機(jī)初始化這兩個(gè)低秩矩陣,而這兩個(gè)矩陣的簡(jiǎn)單內(nèi)積就是我們的預(yù)測(cè)矩陣,之后通過(guò)機(jī)器學(xué)習(xí)的方式不斷迭代訓(xùn)練優(yōu)使得預(yù)測(cè)矩陣與原始矩陣的差值越來(lái)越小,如圖2-4所示。圖2-4簡(jiǎn)單的矩陣分解模型而在機(jī)器學(xué)習(xí)中我們一般通過(guò)最小化誤差函數(shù)來(lái)獲得目標(biāo)U和S,一般采用最小平方誤差:
本文編號(hào):3314886
【文章來(lái)源】:電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】:82 頁(yè)
【學(xué)位級(jí)別】:碩士
【部分圖文】:
課程學(xué)習(xí)
自步學(xué)習(xí)樣例
電子科技大學(xué)碩士學(xué)位論文12品向量的內(nèi)積表示用戶對(duì)該物品的偏好。以評(píng)分預(yù)測(cè)任務(wù)為例,如表2-1所示,通常將用戶和物品的交互行為表示為矩陣的形式,矩陣中某個(gè)元素表示用戶對(duì)物品的評(píng)分,一般取值為1-5,“?”表示用戶對(duì)該物品不存在行為記錄。在推薦系統(tǒng)中評(píng)分預(yù)測(cè)任務(wù)相當(dāng)于是一個(gè)將用戶物品矩陣補(bǔ)全的任務(wù),即通過(guò)學(xué)習(xí)矩陣中已經(jīng)存在的數(shù)據(jù)來(lái)預(yù)測(cè)用戶對(duì)未進(jìn)行交互物品的評(píng)分。需要注意的是現(xiàn)實(shí)生活中這個(gè)矩陣是非常稀疏的,正常情況下稀疏度可以達(dá)到90%以上。所以如何充分學(xué)習(xí)利用已有用戶物品的交互記錄去預(yù)測(cè)未曾交互的行為是推薦系統(tǒng)評(píng)分預(yù)測(cè)任務(wù)中的關(guān)鍵問(wèn)題。表2-1評(píng)分矩陣12241435?2421?33?24444??52135推薦系統(tǒng)中的評(píng)分預(yù)測(cè)任務(wù)可以看成是對(duì)用戶物品交互矩陣進(jìn)行填空補(bǔ)全的任務(wù),而矩陣分解技術(shù)是解決這個(gè)任務(wù)最常見的手段。矩陣分解的目標(biāo)是通過(guò)機(jī)器學(xué)習(xí)的方式將用戶物品矩陣中的缺失的數(shù)據(jù)進(jìn)行填補(bǔ),最終可以達(dá)到推薦的目的。具體來(lái)說(shuō),假設(shè)用戶物品的評(píng)分矩陣為R∈×,R是m×n維的表示含有m個(gè)用戶、n個(gè)物品。然后為了將R分解為用戶矩陣U和物品矩陣S,開始選擇隨機(jī)初始化這兩個(gè)低秩矩陣,而這兩個(gè)矩陣的簡(jiǎn)單內(nèi)積就是我們的預(yù)測(cè)矩陣,之后通過(guò)機(jī)器學(xué)習(xí)的方式不斷迭代訓(xùn)練優(yōu)使得預(yù)測(cè)矩陣與原始矩陣的差值越來(lái)越小,如圖2-4所示。圖2-4簡(jiǎn)單的矩陣分解模型而在機(jī)器學(xué)習(xí)中我們一般通過(guò)最小化誤差函數(shù)來(lái)獲得目標(biāo)U和S,一般采用最小平方誤差:
本文編號(hào):3314886
本文鏈接:http://sikaile.net/kejilunwen/shengwushengchang/3314886.html
最近更新
教材專著