個性化搜索問題是一類無法明確定義目標(biāo)函數(shù)、普遍存在、難以求解的定性指標(biāo)優(yōu)化問題,傳統(tǒng)基于明確定義目標(biāo)函數(shù)的智能優(yōu)化算法不再適用,融合用戶個性化交互信息的交互式進化優(yōu)化是解決上述問題的可行方法。現(xiàn)有基于交互式進化優(yōu)化的個性化搜索多將搜索對象視為有限屬性的組合,采用簡單的數(shù)值編碼方式,將其轉(zhuǎn)化為組合優(yōu)化模態(tài),然后采用遺傳算法求解。這些方法尚沒有拓展其他模式的智能優(yōu)化機制、未充分利用待搜索對象的領(lǐng)域知識、忽略了個性化搜索對象包含的大量文本信息,以及個性化搜索所特有的隱私保護需求等。針對上述問題,開展本文研究工作,主要內(nèi)容如下:(1)領(lǐng)域知識驅(qū)動的快速交互式分布估計算法:針對個性化搜索中待搜索商品數(shù)值型表示所導(dǎo)致搜索空間稀疏的問題,首先,基于用戶輸入的檢索詞,確定用戶偏好屬性已知和未知的空間;利用用戶歷史搜索信息及其交互搜索對象,采用貝葉斯概率模型,進一步縮減用戶可能感興趣屬性組合空間,做為初始搜索空間;采用區(qū)間數(shù)量化用戶交互行為的偏好表示,構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的偏好模型,實現(xiàn)對搜索個體的適應(yīng)值估計和優(yōu)勢個體選擇;給出基于貝葉斯概率模型的交互式分布估計算法。通過在筆記本電腦個性化搜索中與采用...

【文章頁數(shù)】：148 頁

【學(xué)位級別】：博士

【部分圖文】：

圖1–1本文研究對象Figure1–1ResearchObjectives

圖1–1本文研究對象Figure1–1ResearchObjectives圖1–1給出了本文各章節(jié)內(nèi)容對應(yīng)的研究對象，其與研究內(nèi)容間的關(guān)系依照推薦系統(tǒng)研究的分類標(biāo)準(zhǔn)，第三章以及第四章所提出的求解數(shù)值型、文本型個性化搜索問題的交互式分布估計算法皆可劃入基于內(nèi)容的方法之列，第三....

圖2–1非個性化搜索圖解Figure2–1IllustrationofNon-PersonalizedSearch

圖2–1非個性化搜索圖解Figure2–1IllustrationofNon-PersonalizedSearch價列表給平臺，平臺根據(jù)此列表刪除已評價商品。圖中的迭代循環(huán)反復(fù)執(zhí)行直到用戶在判斷執(zhí)行時，終止當(dāng)前搜索服務(wù)。2.1.2個性化搜索互聯(lián)網(wǎng)巨頭Google于20....

圖2–2個性化搜索圖解Figure2–2IllustrationofPersonalizedSearch

圖2–2個性化搜索圖解Figure2–2IllustrationofPersonalizedSearch法(IncrementalEDAs)。這里僅給出更為相關(guān)的增量EDA的主要框架[24–27]對EDA的更詳細綜述，參見第2.3節(jié)。(1)針對某個求解問題，也稱目標(biāo)....

圖3–1領(lǐng)域知識驅(qū)動的快速交互式分布估計算法流程Figure3–1FrameworkofDK-FIEDA3.4.2算法描述

圖3–1領(lǐng)域知識驅(qū)動的快速交互式分布估計算法流程Figure3–1FrameworkofDK-FIEDA描述介紹了領(lǐng)域知識提取與利用，本小節(jié)具體給出本章部分的詳細介紹�；サ钠么砟Ｐ退阉髦写砟Ｐ偷臉�(gòu)建主要需要考慮樣本收新，其中....

本文編號：3984405