隨著計(jì)算機(jī)硬件與軟件技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)已經(jīng)進(jìn)入Web2.0時(shí)代,互聯(lián)網(wǎng)應(yīng)用由此大量誕生,與此同時(shí)產(chǎn)生了巨量的非結(jié)構(gòu)化數(shù)據(jù),如何挖掘這些數(shù)據(jù)的潛在價(jià)值已經(jīng)成為了越來(lái)越多學(xué)者的研究?jī)?nèi)容。在一些數(shù)據(jù)驅(qū)動(dòng)型應(yīng)用中,“信息過(guò)載”的問(wèn)題經(jīng)常出現(xiàn),例如在電子商務(wù)領(lǐng)域,用戶(hù)面對(duì)龐大的商品列表,應(yīng)該如何做出選擇,如何獲取最有效的信息,而企業(yè)又應(yīng)該將哪些信息展現(xiàn)給用戶(hù),展現(xiàn)的信息是否是用戶(hù)所感興趣的,這些問(wèn)題常常給雙方帶來(lái)困擾。為了解決這些挑戰(zhàn),推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)的基本核心是從用戶(hù)信息,物品信息以及用戶(hù)與物品的交互信息中挖掘內(nèi)在關(guān)聯(lián)和潛在特征,從而聯(lián)系用戶(hù)和物品,以滿(mǎn)足為用戶(hù)推薦物品等具體工業(yè)需求。在傳統(tǒng)單域推薦算法中,基于鄰域的算法最先被提出來(lái),但其只考慮用戶(hù)與物品間的交互信息,而這種交互信息在很多場(chǎng)景中是不足的,難以處理日益增長(zhǎng)的數(shù)據(jù)帶來(lái)的數(shù)據(jù)稀疏性問(wèn)題。因此需要挖掘更多相關(guān)附加信息并構(gòu)建更優(yōu)雅的模型來(lái)完善推薦效果,結(jié)合物品屬性和用戶(hù)屬性的推薦方法被證明是有效的,本文將從其中的社會(huì)化標(biāo)簽的維度來(lái)研究如何提升推薦效果。在跨領(lǐng)域的推薦系統(tǒng)中,推薦系統(tǒng)的另一個(gè)挑戰(zhàn)是冷啟動(dòng)問(wèn)題,其中如何敏捷地捕獲... 

【文章頁(yè)數(shù)】：75 頁(yè)

【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(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 本文的組織結(jié)構(gòu)
第二章 相關(guān)概念和技術(shù)
    2.1 推薦算法基礎(chǔ)
        2.1.1 相似度度量
        2.1.2 基于鄰域的推薦算法
        2.1.3 基于模型的推薦算法
    2.2 標(biāo)簽系統(tǒng)
        2.2.1 社會(huì)化標(biāo)簽
        2.2.2 結(jié)合標(biāo)簽的推薦算法
    2.3 跨域推薦
        2.3.1 領(lǐng)域與跨域概念
        2.3.2 跨領(lǐng)域的數(shù)據(jù)關(guān)聯(lián)
        2.3.3 跨域算法分類(lèi)
        2.3.4 跨域推薦算法
    2.4 推薦系統(tǒng)的評(píng)價(jià)方式
        2.4.1 對(duì)于TopN問(wèn)題
        2.4.2 對(duì)于評(píng)分問(wèn)題
    2.5 本章小結(jié)
第三章 標(biāo)簽跨域推薦模型
    3.1 問(wèn)題定義與分析
        3.1.1 問(wèn)題定義
        3.1.2 問(wèn)題分析
    3.2 標(biāo)簽遷移聚類(lèi)
        3.2.1 標(biāo)簽的向量化表示
        3.2.2 源領(lǐng)域標(biāo)簽聚類(lèi)
        3.2.3 目標(biāo)域標(biāo)簽遷移
        3.2.4 生成標(biāo)簽主題概率矩陣
    3.3 主題因子分解機(jī)
        3.3.1 特征組合
        3.3.2 模型構(gòu)建
        3.3.3 評(píng)分預(yù)測(cè)計(jì)算
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)分析
    4.1 實(shí)驗(yàn)設(shè)置
        4.1.1 實(shí)驗(yàn)環(huán)境
        4.1.2 數(shù)據(jù)集
        4.1.3 評(píng)價(jià)指標(biāo)
    4.2 標(biāo)簽遷移實(shí)驗(yàn)
        4.2.1 數(shù)據(jù)預(yù)處理
        4.2.2 標(biāo)簽維度和主題數(shù)量的影響
    4.3 主題因子分解機(jī)實(shí)驗(yàn)
        4.3.1 標(biāo)簽最大值采樣的影響
        4.3.2 嵌入層神經(jīng)元數(shù)量的影響
        4.3.3 標(biāo)簽重疊度的影響
    4.4 對(duì)比實(shí)驗(yàn)分析
        4.4.1 對(duì)比方法
        4.4.2 對(duì)比結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
博士論文
[1]個(gè)性化推薦的可解釋性研究[D]. 張永鋒.清華大學(xué) 2016



本文編號(hào)：3663536