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)時代的到來,人們面臨的“信息過載”問題愈發(fā)嚴(yán)重,主動輔助人們獲取信息的搜索引擎已經(jīng)無法滿足人們在不同背景、不同目的、不同時期下的個性化信息需求,而推薦系統(tǒng)作為個性化研究領(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“信息過載”問題帶來的信息生產(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,然而隨著推薦場景的復(fù)雜化,推薦系統(tǒng)面臨的挑戰(zhàn)和問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,解決推薦時效性問題和平衡推薦準(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.將推薦問題轉(zhuǎn)化為排序問題,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)勢去解決多特征維度的推薦問題可以有效地組合多種推薦模型并自動優(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,針對特定場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.針對推薦系統(tǒng)的時效性問題,本文分析總結(jié)了推薦的時效性影響因子,并對基于排序?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)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：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 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢14-16
• 1.3 本文主要研究內(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 常用評測方法和指標(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)評價指標(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)的評測指標(biāo)48-49
• 5.1.3 實(shí)驗(yàn)環(huán)境說明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)】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時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;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計(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;;用戶顯意識下的多重態(tài)度個性化推薦算法[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

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（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性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

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

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

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

6 梁莘q

本文編號：262010