現(xiàn)代社會(huì)計(jì)算機(jī)網(wǎng)絡(luò)高速發(fā)展,信息數(shù)據(jù)爆炸式增長,大數(shù)據(jù)的出現(xiàn)促進(jìn)了推薦系統(tǒng)的發(fā)展,從而提高了人們的日常生活質(zhì)量。在推薦系統(tǒng)中通常使用高維稀疏矩陣來量化不完全矩陣中用戶與項(xiàng)目之間的關(guān)系。研究者們?yōu)榱藦母呔S稀疏矩陣中獲取一些有用的信息,提出了多種大數(shù)據(jù)分析方法,其中隱特征分析已被證明能從高維稀疏矩陣中高效地獲取和表示信息�；陔[特征分析的推薦系統(tǒng)通常采取隨機(jī)梯度下降作為學(xué)習(xí)算法,而隨機(jī)梯度下降作為一個(gè)序列算法,在處理大規(guī)模工業(yè)問題時(shí)具有相當(dāng)大的時(shí)間開銷和較低的可擴(kuò)展性。為了解決以上問題,本文提出了一些新穎的并行策略,提高模型的收斂速率和計(jì)算效率。主要研究內(nèi)容如下:(1)概述了隱特征分析方法在推薦系統(tǒng)中的應(yīng)用,從理論上分析了隨機(jī)梯度下降算法在并行時(shí)存在的問題,并研究分析了目前基于隨機(jī)梯度下降的并行隱特征模型。(2)提出了動(dòng)量結(jié)合并行隨機(jī)梯度下降算法,該算法將動(dòng)量效應(yīng)加入隨機(jī)梯度下降中,并通過新穎的數(shù)據(jù)分割策略實(shí)現(xiàn)算法并行化。在大規(guī)模工業(yè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),結(jié)果表明,算法能提高模型的收斂速度和計(jì)算效率。(3)提出了一種基于隨機(jī)梯度下降的分層并行算法,該算法通過兩個(gè)層次結(jié)構(gòu)實(shí)現(xiàn)并行化,在大規(guī)模、稀...

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1隱特征模型的構(gòu)造過程示意圖

第1章緒論2（3）所生成的隱特征準(zhǔn)確的表示了由HiDS矩陣的已知數(shù)據(jù)所描述的每個(gè)用戶/項(xiàng)目的特征。因此LF模型不僅用于推薦系統(tǒng)，還可以進(jìn)一步應(yīng)用于許多后續(xù)的數(shù)據(jù)分析任務(wù)，如社區(qū)檢測和聚類等。圖1-1隱特征模型的構(gòu)造過程示意圖Fig.1-1Thesketchmapofconstru....

圖1-2推薦系統(tǒng)算法分類Fig.1-2Classificationofrecommendationsystemalgorithms協(xié)同過濾算法是推薦領(lǐng)域應(yīng)用最多的算法，與基于內(nèi)容的推薦算法不同，協(xié)

第1章緒論3術(shù)研究的重要實(shí)驗(yàn)場景。經(jīng)過多年的發(fā)展，我們將推薦系統(tǒng)算法分為基于內(nèi)容推薦（Content-basedRecommendation）、協(xié)同過濾推薦（CollaborativeFilteringRecommendation）和混合推薦三種，如圖1-2所示�；趦�(nèi)容推薦是需....

圖2-1高維稀疏矩陣Fig.2-1High-dimensionalsparsematrix

第2章隱特征分析方法9之間的完整關(guān)系映射，因此在傳統(tǒng)的稀疏矩陣中，這樣的HiDS矩陣中包含了大量的缺失數(shù)據(jù)，而不是零。所以HiDS矩陣具有高維度和極度稀疏兩大特性，其定義如下：定義2.1：給定一個(gè)目標(biāo)矩陣R|U|×|I|來表示用戶和項(xiàng)目之間的關(guān)系矩陣，U和I分別表示用戶和項(xiàng)目的集....

圖2-2隱特征分析原理示意圖

第2章隱特征分析方法11,,(1)()(1),,,(1),2221(1)1,,,(1)11,(1),(1)111,,,,,argmin,,{1,2,...,}:12,SGDuiPQtttuiukuktukddtttuiPukQiktkkuktukttttukuiikPukikPQ....

本文編號(hào)：3936426