移動互聯(lián)時代的網絡規(guī)�？焖僭鲩L和業(yè)務廣泛覆蓋面帶來了“信息超載”問題,過量消息同時呈現(xiàn)增加了用戶獲取所需信息的成本。盡管傳統(tǒng)搜索引擎一定程度上解決了數(shù)據檢索需求,但仍然無法滿足不同時期、不同背景、不同目的用戶的個性化信息訴求,從而不能真正高效地處理超載問題。推薦系統(tǒng)作為一種有效的數(shù)據過濾手段,是實現(xiàn)個性化推送服務,幫助用戶提高決策效率,從而解決信息超載問題的核心方法。協(xié)同過濾一方面作為推薦系統(tǒng)的關鍵算法在面臨稀疏數(shù)據時性能會急劇下降,另一方面超過95%稀疏度的數(shù)據在實際應用中又廣泛存在。因此,如何緩解數(shù)據稀疏性導致的性能退化問題是目前推薦系統(tǒng)面臨的主要挑戰(zhàn)之一。近年來,一些研究人員嘗試應用遷移學習方法來緩解傳統(tǒng)單領域協(xié)同過濾的數(shù)據稀疏性并取得了重要進展。遷移學習是解決目標任務標注數(shù)據稀缺的基礎方法,目前已經得到學術界的廣泛關注,但其研究仍處于富有挑戰(zhàn)的階段。本文面向領域間無用戶和項目重疊的跨領域推薦任務,系統(tǒng)性研究了基于評分模式分享的遷移學習在跨領域推薦中的問題挑戰(zhàn)及其解決方法。遷移學習中,欠擬合、過擬合、不適配、非完備、負遷移等關鍵問題與挑戰(zhàn)交錯疊加給推薦系統(tǒng)的研究帶來了全新的困難。... 

【文章頁數(shù)】：185 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 理論價值
        1.1.2 應用價值
    1.2 問題描述
        1.2.1 領域的定義
        1.2.2 跨領域推薦的任務
        1.2.3 定義遷移學習
        1.2.4 跨領域推薦目標
        1.2.5 跨領域推薦環(huán)境
    1.3 國內外研究現(xiàn)狀
        1.3.1 協(xié)同過濾
        1.3.2 矩陣分解
        1.3.3 遷移學習
        1.3.4 上下文感知推薦
    1.4 有待研究的問題
    1.5 研究內容與主要貢獻
    1.6 本文組織結構
第2章 非完備正交非負矩陣三分解
    2.1 引言
        2.1.1 ONMTF方法
        2.1.2 數(shù)據分析
    2.2 非完備正交非負矩陣三分解
        2.2.1 問題定義
        2.2.2 優(yōu)化方法
        2.2.3 算法概述
        2.2.4 收斂性分析
        2.2.5 計算復雜度
    2.3 實驗
        2.3.1 數(shù)據配置
        2.3.2 評價指標
        2.3.3 對照基線
        2.3.4 實驗結果
        2.3.5 結果分析
    2.4 小結
第3章 低維表征潛在因子選擇算法
    3.1 引言
        3.1.1 CBT模型
        3.1.2 遷移矩陣與遷移學習
        3.1.3 K-means聚類的k值
    3.2 低維表征潛在因子選擇算法
        3.2.1 問題定義
        3.2.2 算法概述
        3.2.3 計算復雜度
    3.3 實驗
        3.3.1 數(shù)據配置
        3.3.2 參數(shù)配置
        3.3.3 實驗結果與分析
    3.4 LLS算法改進
        3.4.1 修改codebook初始規(guī)模
        3.4.2 LLS-彈性算法
        3.4.3 實驗結果
    3.5 小結
第4章 正則化多源遷移模型
    4.1 引言
    4.2 多源遷移模型
        4.2.1 問題定義
        4.2.2 正則化多元遷移模型
        4.2.3 優(yōu)化方法
        4.2.4 算法概述
        4.2.5 計算復雜度
    4.3 實驗
        4.3.1 數(shù)據配置
        4.3.2 評價指標
        4.3.3 對照基線
        4.3.4 實驗配置
        4.3.5 實驗結果與分析
    4.4 小結
第5章 修正學習與場景修正模型
    5.1 引言
    5.2 場景修正模型
        5.2.1 問題定義
    5.3 簇評分偏移趨勢修正框架
        5.3.1 評分偏移矩陣
        5.3.2 關系矩陣
        5.3.3 修正函數(shù)
        5.3.4 計算復雜度
        5.3.5 負遷移問題
        5.3.6 遷移學習與修正學習
    5.4 實驗
        5.4.1 數(shù)據配置
        5.4.2 算法配置
        5.4.3 實現(xiàn)細節(jié)
        5.4.4 實驗結果與分析
    5.5 小結
第6章 多梯度層修正模型
    6.1 引言
        6.1.1 多視圖方法
        6.1.2 修正學習中的多視圖
        6.1.3 本章貢獻
    6.2 多梯度層修正模型
        6.2.1 問題定義
        6.2.2 用戶視角與項目視圖
        6.2.3 項目視角與用戶視圖
        6.2.4 環(huán)境視圖
        6.2.5 動態(tài)閾值學習
        6.2.6 算法概述
        6.2.7 并行性分析
        6.2.8 計算復雜度
    6.3 實驗
        6.3.1 數(shù)據配置
        6.3.2 評價標準
        6.3.3 實驗配置
        6.3.4 算法配置
        6.3.5 并行化實現(xiàn)與優(yōu)化
        6.3.6 實驗結果與分析
    6.4 小結
第7章 潛在因子修正模型
    7.1 引言
    7.2 潛在因子修正模型
        7.2.1 問題定義
        7.2.2 低維表征分析
        7.2.3 局部適配的非負矩陣分解
        7.2.4 收斂性分析
        7.2.5 算法概述
        7.2.6 計算復雜度
    7.3 實驗
        7.3.1 數(shù)據配置
        7.3.2 實驗結果
        7.3.3 結果分析
    7.4 小結
第8章 總結與展望
    8.1 本文總結
    8.2 未來工作展望
參考文獻
攻讀碩士學位期間發(fā)表的學術論文
致謝


【參考文獻】：
期刊論文
[1]MINDTL: Multiple Incomplete Domains Transfer Learning for Information Recommendation[J]. Ming He,Jiuling Zhang,Jiang Zhang.  中國通信. 2017(11)
[2]一種新的用于跨領域推薦的遷移學習模型[J]. 王俊,李石君,楊莎,金紅,余偉.  計算機學報. 2017(10)
[3]遷移近鄰傳播聚類算法[J]. 杭文龍,蔣亦樟,劉解放,王士同.  軟件學報. 2016(11)
[4]一種基于跨領域典型相關性分析的遷移學習方法[J]. 張博,史忠植,趙曉非,張建華.  計算機學報. 2015(07)
[5]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)

博士論文
[1]遷移學習問題與方法研究[D]. 龍明盛.清華大學 2014



本文編號：3723810