本文關(guān)鍵詞：基于排序?qū)W習(xí)的Top-N推薦算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著數(shù)據(jù)時(shí)代的到來(lái),人們面臨的“信息過(guò)載”問(wèn)題愈發(fā)嚴(yán)重,主動(dòng)輔助人們獲取信息的搜索引擎已經(jīng)無(wú)法滿足人們?cè)诓煌尘�、不同目的、不同時(shí)期下的個(gè)性化信息需求,而推薦系統(tǒng)作為個(gè)性化研究領(lǐng)域的分支,能夠從海量的數(shù)據(jù)中尋找與用戶相關(guān)的信息進(jìn)行推薦,有效地“信息過(guò)載”問(wèn)題帶來(lái)的信息生產(chǎn)和信息獲取不平衡的矛盾。目前,推薦系統(tǒng)的研究受到眾多來(lái)自不同學(xué)科領(lǐng)域?qū)W者的關(guān)注,并取得了很大的進(jìn)展,然而隨著推薦場(chǎng)景的復(fù)雜化,推薦系統(tǒng)面臨的挑戰(zhàn)和問(wèn)題依然需要不斷地深入研究和優(yōu)化解決。本文主要圍繞如何提高Top-N推薦效果,解決推薦時(shí)效性問(wèn)題和平衡推薦準(zhǔn)確性與多樣性效果等展開研究,研究的主要內(nèi)容及結(jié)果如下:1.將推薦問(wèn)題轉(zhuǎn)化為排序問(wèn)題,構(gòu)建以排序?qū)W習(xí)為基礎(chǔ)的推薦算法框架,利用排序?qū)W習(xí)方法的優(yōu)勢(shì)去解決多特征維度的推薦問(wèn)題可以有效地組合多種推薦模型并自動(dòng)優(yōu)化模型權(quán)重參數(shù),提高推薦效果。2.在基于排序?qū)W習(xí)的推薦算法框架之上,融合其他推薦算法和模型,針對(duì)特定場(chǎng)景形成混合推薦模型,提高推薦的精度。本文將排序?qū)W習(xí)模型與ListRank-MF模型進(jìn)行融合,充分結(jié)合模型的各自優(yōu)點(diǎn),實(shí)驗(yàn)結(jié)果證明有效地提高了推薦精度。3.本文提出一種基于熵的多樣性特征建模方法,利用熵有效地表達(dá)多樣性特征,使多樣性刻畫的粒度細(xì)化到用戶和物品的屬性,實(shí)驗(yàn)結(jié)果表明該模型可以有效地平衡推薦的準(zhǔn)確性和多樣性。4.本文研究了排序?qū)W習(xí)模型下特征選擇的算法,在提取隱含特征和評(píng)分特征后,進(jìn)行特征選擇,降低數(shù)據(jù)特征的維度,提高排序模型學(xué)習(xí)的效率。本文實(shí)驗(yàn)結(jié)果顯示,進(jìn)行特征選擇后,經(jīng)過(guò)少量的迭代后模型便開始收斂,并能一定程度提高推薦的精度。5.針對(duì)推薦系統(tǒng)的時(shí)效性問(wèn)題,本文分析總結(jié)了推薦的時(shí)效性影響因子,并對(duì)基于排序?qū)W習(xí)的基礎(chǔ)推薦框架進(jìn)行擴(kuò)展優(yōu)化,提出最近反饋排序模型,以引入時(shí)效思想。實(shí)驗(yàn)結(jié)果表明,將用戶最近的反饋信息與基礎(chǔ)推薦結(jié)果進(jìn)行二次排序后,可以有效地提高推薦的精度。此外,本文也探索了最近反饋排序模型與在線學(xué)習(xí)的結(jié)合應(yīng)用,模擬實(shí)驗(yàn)結(jié)果顯示模型在線實(shí)時(shí)迭代更新后,仍能具有較高的推薦精度。
【關(guān)鍵詞】：Top-N推薦 排序?qū)W習(xí) 多樣性 熵 最近反饋 在線學(xué)習(xí)
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-13
• 第1章 緒論13-19
• 1.1 本文研究的目的和意義13-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)14-16
• 1.3 本文主要研究?jī)?nèi)容16-17
• 1.4 本文組織結(jié)構(gòu)17-18
• 1.5 本章小結(jié)18-19
• 第2章 推薦系統(tǒng)的相關(guān)理論研究19-32
• 2.1 Top-N推薦系統(tǒng)19-27
• 2.1.1 推薦系統(tǒng)的形式化描述19-20
• 2.1.2 常用推薦算法分析20-26
• 2.1.3 常用評(píng)測(cè)方法和指標(biāo)26-27
• 2.2 排序?qū)W習(xí)概述27-31
• 2.2.1 排序?qū)W習(xí)形式化描述28-29
• 2.2.2 排序?qū)W習(xí)方法29-30
• 2.2.3 排序?qū)W習(xí)評(píng)價(jià)指標(biāo)30-31
• 2.3 本章小結(jié)31-32
• 第3章 基于排序?qū)W習(xí)的Top-N推薦框架32-41
• 3.1 基于排序?qū)W習(xí)的推薦模型32-34
• 3.1.1 推薦問(wèn)題轉(zhuǎn)化32-33
• 3.1.2 推薦框架建立33-34
• 3.2 ListRank-MF模型融合34-35
• 3.3 基于評(píng)分的特征定義35-36
• 3.4 基于熵的多樣性特征模型36-38
• 3.4.1 推薦的多樣性36-37
• 3.4.2 多樣性傾向分析37
• 3.4.3 多樣性特征建模37-38
• 3.5 特征選擇38-40
• 3.6 特征融合40
• 3.7 本章小結(jié)40-41
• 第4章 基于排序?qū)W習(xí)的Top-N推薦算法優(yōu)化41-48
• 4.1 推薦系統(tǒng)的時(shí)效性41-42
• 4.2 最近反饋排序模型42-44
• 4.2.1 反饋模型設(shè)計(jì)42-43
• 4.2.2 反饋信息建模43-44
• 4.3 在線學(xué)習(xí)44-47
• 4.3.1 FTRL算法45-46
• 4.3.2 在線學(xué)習(xí)應(yīng)用46-47
• 4.4 本章小結(jié)47-48
• 第5章 本文算法的實(shí)驗(yàn)及結(jié)果分析48-62
• 5.1 實(shí)驗(yàn)條件48-50
• 5.1.1 實(shí)驗(yàn)采用數(shù)據(jù)集48
• 5.1.2 實(shí)驗(yàn)的評(píng)測(cè)指標(biāo)48-49
• 5.1.3 實(shí)驗(yàn)環(huán)境說(shuō)明49-50
• 5.2 基于排序?qū)W習(xí)的推薦模型驗(yàn)證實(shí)驗(yàn)50-57
• 5.2.1 常用推薦算法實(shí)驗(yàn)50-52
• 5.2.2 模型的推薦有效性驗(yàn)證52-53
• 5.2.3 模型的多樣性效果驗(yàn)證53-54
• 5.2.4 特征選擇分析實(shí)驗(yàn)54-56
• 5.2.5 模型性能對(duì)比實(shí)驗(yàn)56-57
• 5.3 最近反饋排序模型與在線學(xué)習(xí)實(shí)驗(yàn)結(jié)果57-61
• 5.3.1 模擬實(shí)驗(yàn)設(shè)計(jì)57-58
• 5.3.2 最近反饋排序模型實(shí)驗(yàn)結(jié)果58-60
• 5.3.3 在線學(xué)習(xí)應(yīng)用效果分析實(shí)驗(yàn)60-61
• 5.4 本章小結(jié)61-62
• 結(jié)論62-64
• 參考文獻(xiàn)64-69
• 攻讀學(xué)位期間發(fā)表的論文與研究成果清單69-70
• 致謝70

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時(shí)間序列性的推薦算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2006年10期

2 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計(jì)算機(jī)應(yīng)用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁(yè)面聚類的推薦算法的改進(jìn)[J];計(jì)算機(jī)應(yīng)用與軟件;2008年09期

4 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國(guó)科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2010年19期

7 王文;;個(gè)性化推薦算法研究[J];電腦知識(shí)與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評(píng)價(jià)估計(jì)的混合推薦算法研究[J];微計(jì)算機(jī)信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識(shí)下的多重態(tài)度個(gè)性化推薦算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

3 秦國(guó);杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

4 周玉妮;鄭會(huì)頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動(dòng)商務(wù)個(gè)性化推薦系統(tǒng)[A];社會(huì)經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國(guó)系統(tǒng)工程學(xué)會(huì)第17屆學(xué)術(shù)年會(huì)論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號(hào)：262010