發(fā)布時(shí)間：2022-12-22 18:28

　　移動(dòng)互聯(lián)時(shí)代的網(wǎng)絡(luò)規(guī)模快速增長和業(yè)務(wù)廣泛覆蓋面帶來了“信息超載”問題,過量消息同時(shí)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(jù)檢索需求,但仍然無法滿足不同時(shí)期、不同背景、不同目的用戶的個(gè)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(jù)過濾手段,是實(shí)現(xiàn)個(gè)性化推送服務(wù),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(guān)鍵算法在面臨稀疏數(shù)據(jù)時(shí)性能會(huì)急劇下降,另一方面超過95%稀疏度的數(shù)據(jù)在實(shí)際應(yīng)用中又廣泛存在。因此,如何緩解數(shù)據(jù)稀疏性導(dǎo)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(yīng)用遷移學(xué)習(xí)方法來緩解傳統(tǒng)單領(lǐng)域協(xié)同過濾的數(shù)據(jù)稀疏性并取得了重要進(jìn)展。遷移學(xué)習(xí)是解決目標(biāo)任務(wù)標(biāo)注數(shù)據(jù)稀缺的基礎(chǔ)方法,目前已經(jīng)得到學(xué)術(shù)界的廣泛關(guān)注,但其研究仍處于富有挑戰(zhàn)的階段。本文面向領(lǐng)域間無用戶和項(xiàng)目重疊的跨領(lǐng)域推薦任務(wù),系統(tǒng)性研究了基于評(píng)分模式分享的遷移學(xué)習(xí)在跨領(lǐng)域推薦中的問題挑戰(zhàn)及其解決方法。遷移學(xué)習(xí)中,欠擬合、過擬合、不適配、非完備、負(fù)遷移等關(guān)鍵問題與挑戰(zhàn)交錯(cuò)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(xué)位級(jí)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(jià)值
        1.1.2 應(yīng)用價(jià)值
    1.2 問題描述
        1.2.1 領(lǐng)域的定義
        1.2.2 跨領(lǐng)域推薦的任務(wù)
        1.2.3 定義遷移學(xué)習(xí)
        1.2.4 跨領(lǐng)域推薦目標(biāo)
        1.2.5 跨領(lǐng)域推薦環(huán)境
    1.3 國內(nèi)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(xué)習(xí)
        1.3.4 上下文感知推薦
    1.4 有待研究的問題
    1.5 研究?jī)?nèi)容與主要貢獻(xiàn)
    1.6 本文組織結(jié)構(gòu)
第2章 非完備正交非負(fù)矩陣三分解
    2.1 引言
        2.1.1 ONMTF方法
        2.1.2 數(shù)據(jù)分析
    2.2 非完備正交非負(fù)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(jì)算復(fù)雜度
    2.3 實(shí)驗(yàn)
        2.3.1 數(shù)據(jù)配置
        2.3.2 評(píng)價(jià)指標(biāo)
        2.3.3 對(duì)照基線
        2.3.4 實(shí)驗(yàn)結(jié)果
        2.3.5 結(jié)果分析
    2.4 小結(jié)
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(xué)習(xí)
        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(jì)算復(fù)雜度
    3.3 實(shí)驗(yàn)
        3.3.1 數(shù)據(jù)配置
        3.3.2 參數(shù)配置
        3.3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 LLS算法改進(jìn)
        3.4.1 修改codebook初始規(guī)模
        3.4.2 LLS-彈性算法
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 小結(jié)
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(jì)算復(fù)雜度
    4.3 實(shí)驗(yàn)
        4.3.1 數(shù)據(jù)配置
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 對(duì)照基線
        4.3.4 實(shí)驗(yàn)配置
        4.3.5 實(shí)驗(yàn)結(jié)果與分析
    4.4 小結(jié)
第5章 修正學(xué)習(xí)與場(chǎng)景修正模型
    5.1 引言
    5.2 場(chǎng)景修正模型
        5.2.1 問題定義
    5.3 簇評(píng)分偏移趨勢(shì)修正框架
        5.3.1 評(píng)分偏移矩陣
        5.3.2 關(guān)系矩陣
        5.3.3 修正函數(shù)
        5.3.4 計(jì)算復(fù)雜度
        5.3.5 負(fù)遷移問題
        5.3.6 遷移學(xué)習(xí)與修正學(xué)習(xí)
    5.4 實(shí)驗(yàn)
        5.4.1 數(shù)據(jù)配置
        5.4.2 算法配置
        5.4.3 實(shí)現(xiàn)細(xì)節(jié)
        5.4.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 小結(jié)
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(xué)習(xí)中的多視圖
        6.1.3 本章貢獻(xiàn)
    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(xiàng)目視圖
        6.2.3 項(xiàng)目視角與用戶視圖
        6.2.4 環(huán)境視圖
        6.2.5 動(dòng)態(tài)閾值學(xué)習(xí)
        6.2.6 算法概述
        6.2.7 并行性分析
        6.2.8 計(jì)算復(fù)雜度
    6.3 實(shí)驗(yàn)
        6.3.1 數(shù)據(jù)配置
        6.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        6.3.3 實(shí)驗(yàn)配置
        6.3.4 算法配置
        6.3.5 并行化實(shí)現(xiàn)與優(yōu)化
        6.3.6 實(shí)驗(yàn)結(jié)果與分析
    6.4 小結(jié)
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(fù)矩陣分解
        7.2.4 收斂性分析
        7.2.5 算法概述
        7.2.6 計(jì)算復(fù)雜度
    7.3 實(shí)驗(yàn)
        7.3.1 數(shù)據(jù)配置
        7.3.2 實(shí)驗(yàn)結(jié)果
        7.3.3 結(jié)果分析
    7.4 小結(jié)
第8章 總結(jié)與展望
    8.1 本文總結(jié)
    8.2 未來工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
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(lǐng)域推薦的遷移學(xué)習(xí)模型[J]. 王俊,李石君,楊莎,金紅,余偉.  計(jì)算機(jī)學(xué)報(bào). 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(xué)報(bào). 2016(11)
[4]一種基于跨領(lǐng)域典型相關(guān)性分析的遷移學(xué)習(xí)方法[J]. 張博,史忠植,趙曉非,張建華.  計(jì)算機(jī)學(xué)報(bào). 2015(07)
[5]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)

博士論文
[1]遷移學(xué)習(xí)問題與方法研究[D]. 龍明盛.清華大學(xué) 2014



本文編號(hào)：3723810