隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,人類在獲得越來越多便利的同時(shí)也產(chǎn)生了更多的數(shù)據(jù),面臨著“信息過載”的問題,即從海量大數(shù)據(jù)中挖掘有價(jià)值的信息變得越來越困難。推薦系統(tǒng)就是在這樣的背景下誕生的,推薦系統(tǒng)能從大量數(shù)據(jù)當(dāng)中獲得有價(jià)值的信息,為用戶提供滿足其需求的商品信息,對(duì)用戶進(jìn)行個(gè)性化推薦服務(wù)。在推薦系統(tǒng)中協(xié)同過濾算法是一種較為著名和常用的推薦算法,它通過對(duì)用戶的歷史行為進(jìn)行建模,預(yù)測(cè)用戶對(duì)項(xiàng)目的偏好,由于其推薦個(gè)性化、自動(dòng)化程度高等優(yōu)點(diǎn),基于協(xié)同過濾的推薦算法受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。其中,矩陣分解因其具有較高準(zhǔn)確性和可擴(kuò)展等特點(diǎn),在協(xié)同過濾中占有非常重要的地位,目前已經(jīng)成為了最受歡迎的個(gè)性化推薦算法之一。矩陣分解算法使用點(diǎn)積來預(yù)測(cè)用戶偏好,但是點(diǎn)積只是簡(jiǎn)單地線性乘積組合且不滿足三角不等式,這可能會(huì)對(duì)推薦結(jié)果產(chǎn)生負(fù)面的影響。針對(duì)上述缺點(diǎn),本文嘗試使用滿足三角不等式的距離度量來代替矩陣分解中的點(diǎn)積,使用距離度量算法來預(yù)測(cè)用戶對(duì)項(xiàng)目的偏好。第三章中提出融合度量學(xué)習(xí)和矩陣分解的協(xié)同過濾算法（MLMF）,使用距離度量算法學(xué)習(xí)用戶和項(xiàng)目在同一低維歐幾里得空間位置特征,讓用戶距離感興趣的項(xiàng)目更近,距離不感興...

【文章頁數(shù)】：92 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 推薦系統(tǒng)研究現(xiàn)狀
    1.3 推薦系統(tǒng)面臨的挑戰(zhàn)
        1.3.1 數(shù)據(jù)稀疏
        1.3.2 冷啟動(dòng)問題
        1.3.3 可擴(kuò)展性
    1.4 研究方法及內(nèi)容
    1.5 文章組織結(jié)構(gòu)
第2章 相關(guān)理論基礎(chǔ)與技術(shù)背景
    2.1 協(xié)同過濾算法
        2.1.1 基于近鄰的協(xié)同過濾算法
        2.1.2 基于模型的協(xié)同過濾算法
    2.2 社會(huì)化推薦算法
    2.3 推薦系統(tǒng)評(píng)價(jià)指標(biāo)
        2.3.1 評(píng)分預(yù)測(cè)的評(píng)價(jià)指標(biāo)
        2.3.2 TopN排序預(yù)測(cè)的評(píng)價(jià)指標(biāo)
    2.4 度量學(xué)習(xí)及其應(yīng)用
    2.5 T-SNE降維和可視化
第3章 融合度量學(xué)習(xí)和矩陣分解的協(xié)同過濾
    3.1 引言
    3.2 相關(guān)研究工作和背景
        3.2.1 矩陣分解
        3.2.2 基于度量的歐幾里得嵌入算法
    3.3 融合度量學(xué)習(xí)和矩陣分解的協(xié)同過濾
        3.3.1 問題描述
        3.3.2 算法簡(jiǎn)介
        3.3.3 轉(zhuǎn)換為距離偏差矩陣
        3.3.4 距離偏差分解
        3.3.5 正則化
        3.3.6 訓(xùn)練
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 數(shù)據(jù)集介紹
        3.4.2 對(duì)比基線算法
        3.4.3 評(píng)估指標(biāo)和實(shí)現(xiàn)細(xì)節(jié)
        3.4.4 實(shí)驗(yàn)結(jié)果分析
        3.4.5 T-SNE降維和可視化分析
        3.4.6 距離變化分析
        3.4.7 對(duì)TopN推薦列表預(yù)測(cè)
    3.5 本章小結(jié)
第4章 基于距離度量分解的社會(huì)化推薦算法
    4.1 引言
    4.2 相關(guān)研究工作和背景
        4.2.1 正則化方式的社會(huì)推薦
        4.2.2 嵌入方式的社會(huì)推薦
        4.2.3 協(xié)同分解的方式的社會(huì)推薦
    4.3 基于距離度量分解的社會(huì)化推薦算法
        4.3.1 問題定義
        4.3.2 用戶關(guān)系重構(gòu)
        4.3.3 轉(zhuǎn)化為距離偏差
        4.3.4 距離偏差分解
        4.3.5 正則化
        4.3.6 訓(xùn)練
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 數(shù)據(jù)集介紹
        4.4.2 對(duì)比基線算法
        4.4.3 評(píng)估指標(biāo)和實(shí)現(xiàn)細(xì)節(jié)
        4.4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.5 T-SNE降維可視化分析
        4.4.6 距離變化分析
    4.5 本章小結(jié)
第5章 總結(jié)和展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻(xiàn)
致謝
攻讀碩士期間發(fā)表論文及科研工作



本文編號(hào)：4035269