發(fā)布時間：2017-08-16 07:28

  本文關(guān)鍵詞：基于分值傳遞的協(xié)同過濾推薦技術(shù)研究

  更多相關(guān)文章： 推薦技術(shù) 分值傳遞 圖模型 集成學(xué)習(xí) 協(xié)同過濾

【摘要】：依據(jù)信息檢索的方式,互聯(lián)網(wǎng)的發(fā)展經(jīng)歷了門戶網(wǎng)站階段、搜索引擎階段以及個性化推薦階段。個性化推薦能根據(jù)用戶的興趣愛好,自動為用戶提供個性化的服務(wù)。而作為目前應(yīng)用最成功的推薦技術(shù)之一,協(xié)同過濾技術(shù)也面臨著推薦準(zhǔn)確性、評分稀疏性等問題。本文針對這些問題,對基于分值傳遞的協(xié)同過濾推薦技術(shù)展開研究,主要成果有： 1.從傳統(tǒng)的基于用戶圖傳遞模型和基于對象圖傳遞模型為出發(fā)點,提出了一種改進的用于Top-N推薦的聯(lián)合圖傳遞模型。通過引入局部密度敏感因子,加大關(guān)系密集的圖結(jié)點傳遞的權(quán)重,并進行迭代傳遞更新,有效地提高了基于圖傳遞的協(xié)同過濾推薦性能。 2.為克服基于用戶圖傳遞模型和基于對象圖傳遞模型無法充分利用“用戶-對象”信息的不足,本文提出了基于點擴散的圖傳遞模型。通過把評分矩陣中的每個評分看作圖傳遞模型中一個結(jié)點,并在構(gòu)建結(jié)點間的關(guān)系時考慮“用戶-對象”聯(lián)合信息,使得評價分值經(jīng)圖模型傳遞之后得到更可靠的評分預(yù)測。 3.本文提出了基于多視角回歸集成的Top-N推薦框架。該框架把評分預(yù)測看作是一個多視角回歸問題,并利用偏最小二乘模型進行多視角間的交替回歸,形成多個初始評分預(yù)測。在此基礎(chǔ)上,提出了基于迭代閾值自適應(yīng)修正的AdaBoost集成學(xué)習(xí)方法,動態(tài)學(xué)習(xí)出弱預(yù)測器。實驗表明,同單一初始評分預(yù)測相比,通過集成學(xué)習(xí)得到的預(yù)測分值在Top-N推薦中取得了更優(yōu)的性能。
【關(guān)鍵詞】：推薦技術(shù) 分值傳遞 圖模型 集成學(xué)習(xí) 協(xié)同過濾
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 緒論10-22
• 1.1 課題的研究背景與意義10-12
• 1.2 推薦技術(shù)的研究現(xiàn)狀12-15
• 1.2.1 基于內(nèi)容的過濾(Content-based Filtering)12-13
• 1.2.2 基于協(xié)同過濾的推薦技術(shù)(Collaborative Filtering)13-14
• 1.2.3 混合推薦技術(shù)(Hybrid Filtering)14-15
• 1.3 協(xié)同過濾推薦技術(shù)15-19
• 1.3.1 協(xié)同過濾算法分類15-18
• 1.3.2 協(xié)同過濾技術(shù)遇到的挑戰(zhàn)18-19
• 1.4 論文的研究內(nèi)容19-20
• 1.5 論文結(jié)構(gòu)20-21
• 1.6 本章小結(jié)21-22
• 2 基于局部密度敏感的聯(lián)合圖傳遞模型22-31
• 2.1 圖傳遞模型介紹22-24
• 2.2 基于局部密度敏感的聯(lián)合圖傳遞的Top-N推薦24-27
• 2.2.1 基于局部密度敏感的用戶-對象聯(lián)合圖傳遞24-26
• 2.2.2 相似性度量26-27
• 2.3 實驗結(jié)果與分析27-30
• 2.3.1 數(shù)據(jù)集和實驗設(shè)置27-28
• 2.3.2 方法比較28-29
• 2.3.3 模型參數(shù)影響29-30
• 2.4 本章小結(jié)30-31
• 3 基于點擴散的圖傳遞模型31-39
• 3.1 基于向量圖傳遞模型的Top-N推薦31-33
• 3.2 基于點擴散的圖模型介紹33-34
• 3.3 基于點擴散圖傳遞模型的Top-N推薦框架圖34-36
• 3.4 相似性度量36
• 3.5 實驗結(jié)果與分析36-38
• 3.6 本章小結(jié)38-39
• 4 基于多視角回歸集成的Top-N推薦39-50
• 4.1 基于多視角回歸集成的Top-N推薦框架39-40
• 4.2 多視角PLS回歸40-42
• 4.2.1 偏最小二乘回歸(Partial Least Squares Regression)40-42
• 4.2.2 多視角PLS回歸算法42
• 4.3 基于迭代閾值自適應(yīng)修正的AdaBoost集成學(xué)習(xí)42-45
• 4.3.1 集成學(xué)習(xí)的基本理論介紹42-43
• 4.3.2 基于迭代閡值自適應(yīng)修正的AdaBoost集成學(xué)習(xí)算法43-45
• 4.4 實驗結(jié)果與分析45-49
• 4.4.1 方法比較45-46
• 4.4.2 集成個數(shù)影響46-48
• 4.4.3 修正參數(shù)影響48-49
• 4.5 本章小結(jié)49-50
• 5 總結(jié)與展望50-52
• 5.1 工作總結(jié)50
• 5.2 工作展望50-52
• 參考文獻52-55
• 作者簡歷及攻讀碩士學(xué)位期間取得的研究成果55-57
• 學(xué)位論文數(shù)據(jù)集57

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 曹一鳴;;協(xié)同過濾推薦瓶頸問題綜述[J];軟件;2012年12期

2 辛沛露;朱振峰;趙耀;;基于交互式圖傳遞模型的Top-N推薦[J];信號處理;2012年10期

，

本文編號：682057