本文關(guān)鍵詞：利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為

  更多相關(guān)文章： 推薦系統(tǒng) 矩陣分解 排序?qū)W習(xí) 稀疏性

【摘要】：隨著近幾年來(lái)社交媒體的流行,信息的產(chǎn)生、傳播、分享變得越發(fā)容易。人們只需要通過(guò)發(fā)布微博,更新自己的社交狀態(tài)就能同來(lái)自世界各地的人們通信,交朋友,甚至進(jìn)行商業(yè)貿(mào)易。電子商務(wù)的盛行,網(wǎng)絡(luò)購(gòu)物正逐漸地成為人們生活中不可或缺的一部分,也在顛覆著傳統(tǒng)的產(chǎn)業(yè)結(jié)構(gòu)。然而,人們?cè)谑芤嬗谛畔⒈ㄋ鶐?lái)的便利的同時(shí),也在面臨信息過(guò)載所帶來(lái)的困擾:該如何從龐大的信息池中獲取有價(jià)值的資源呢?推薦系統(tǒng)的出現(xiàn)正是為了解決這個(gè)問(wèn)題,也在逐漸成為很多商業(yè)應(yīng)用的重要組件,自動(dòng)地通過(guò)分析用戶偏好,為人們推送最為喜歡,符合個(gè)人口味的信息。本文主要探討推薦系統(tǒng)研發(fā)過(guò)程中所面臨的數(shù)據(jù)稀疏性問(wèn)題,并從評(píng)分預(yù)測(cè)和排序預(yù)測(cè)的角度探討了如何設(shè)計(jì)緩解該問(wèn)題的個(gè)性化算法。本文的主要貢獻(xiàn)如下:1.探討了如何利用矩陣分解算法刻畫用戶評(píng)分決策過(guò)程,從反饋數(shù)據(jù)中進(jìn)一步捕捉用戶與物品以外信息的交互作用,緩解顯性評(píng)分反饋不足所帶來(lái)的預(yù)測(cè)缺陷,并設(shè)計(jì)了相應(yīng)的實(shí)驗(yàn)。2.研究如何利用排序?qū)W習(xí)解決比傳統(tǒng)協(xié)同過(guò)濾數(shù)據(jù)稀疏性更為嚴(yán)重的,需要處理三元張量關(guān)系的協(xié)同檢索任務(wù)。在兩份真實(shí)數(shù)據(jù)集的結(jié)果顯示,我們提出的算法能夠有效提升預(yù)測(cè)準(zhǔn)確度,尤其是對(duì)那些信息含量很少的物品。3.為Pairwise排序?qū)W習(xí)在推薦算法的應(yīng)用提出了一種基于物品的采樣策略,并進(jìn)一步定義了一種自適應(yīng)采樣策略,提高了采樣效果的同時(shí),也改善了Pairwise算法在稀疏數(shù)據(jù)上的預(yù)測(cè)準(zhǔn)確率。
【關(guān)鍵詞】：推薦系統(tǒng) 矩陣分解 排序?qū)W習(xí) 稀疏性
【學(xué)位授予單位】：杭州師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3;O151.21
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-17
• 1.1 推薦系統(tǒng)研究背景及意義10-12
• 1.2 稀疏環(huán)境下推薦系統(tǒng)研究綜述12-14
• 1.3 本文研究?jī)?nèi)容和創(chuàng)新點(diǎn)14-15
• 1.4 數(shù)據(jù)集介紹15-16
• 1.4.1 Movielens電影評(píng)分?jǐn)?shù)據(jù)集15
• 1.4.2 Last.fm音樂(lè)收聽(tīng)數(shù)據(jù)集15-16
• 1.4.3 Yelp商鋪評(píng)分?jǐn)?shù)據(jù)集16
• 1.4.4 Epinions社交網(wǎng)絡(luò)數(shù)據(jù)集16
• 1.5 論文結(jié)構(gòu)16-17
• 2 用戶評(píng)分決策情景的多元線性矩陣分解算法17-28
• 2.1 概述17-18
• 2.2 用戶評(píng)分決策行為分析18-19
• 2.3 多元線性互作用矩陣分解推薦模型19-23
• 2.3.1 矩陣分解算法預(yù)覽19-22
• 2.3.2 Multi-linear Interactive Matrix Factorization22-23
• 2.4 實(shí)驗(yàn)結(jié)果23-27
• 2.4.1 評(píng)價(jià)指標(biāo)23-24
• 2.4.2 對(duì)比方法簡(jiǎn)介24-25
• 2.4.3 實(shí)驗(yàn)參數(shù)設(shè)置25-26
• 2.4.4 實(shí)驗(yàn)結(jié)果分析26-27
• 2.5 本章小結(jié)27-28
• 3 協(xié)同檢索任務(wù)中的Top-K物品推薦28-40
• 3.1 概述28-29
• 3.2 三元張量關(guān)系29-30
• 3.3 基于物品淺層協(xié)同檢索張量模型30-34
• 3.4 實(shí)驗(yàn)結(jié)果34-38
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理34-35
• 3.4.2 評(píng)價(jià)方式35
• 3.4.3 實(shí)驗(yàn)設(shè)置及對(duì)比方法簡(jiǎn)介35-36
• 3.4.4 實(shí)驗(yàn)結(jié)果分析36-38
• 3.5 本章小結(jié)38-40
• 4 基于物品的貝葉斯Pairwise排序推薦40-50
• 4.1 概述40-41
• 4.2 用戶-物品二部圖Pairwise關(guān)系分析41-42
• 4.3 基于物品貝葉斯排序推薦模型42-45
• 4.3.1 自適應(yīng)采樣策略44-45
• 4.4 實(shí)驗(yàn)結(jié)果45-48
• 4.4.1 實(shí)驗(yàn)數(shù)據(jù)45
• 4.4.2 評(píng)價(jià)指標(biāo)45-46
• 4.4.3 對(duì)比方法簡(jiǎn)介46-47
• 4.4.4 實(shí)驗(yàn)結(jié)果分析47-48
• 4.5 本章小結(jié)48-50
• 5 總結(jié)和展望50-51
• 5.1 總結(jié)50
• 5.2 展望50-51
• 參考文獻(xiàn)51-59

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 鄂國(guó)康;;矩陣分解的一般定理及基本分析[J];西南民族學(xué)院學(xué)報(bào)(自然科學(xué)版);1991年04期

2 田鐘穎,嚴(yán)克明;矩陣分解在運(yùn)動(dòng)分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報(bào);1989年04期

3 王群英;;矩陣分解方法的探究[J];長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

5 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

6 湯彬;段波;;伽馬測(cè)井分層解釋的單一系數(shù)分解法[J];物探化探計(jì)算技術(shù);1989年04期

7 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

8 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

9 賀超波;湯庸;沈玉利;石玉強(qiáng);;應(yīng)用非負(fù)值矩陣分解模型的社區(qū)挖掘方法[J];小型微型計(jì)算機(jī)系統(tǒng);2014年06期

10 胡家贛;尺度變換和矩陣分解的收斂性[J];計(jì)算數(shù)學(xué);1983年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前5條

1 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

2 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

3 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀結(jié)構(gòu)[D];清華大學(xué);2014年

4 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

5 陳根浪;基于社交媒體的推薦技術(shù)若干問(wèn)題研究[D];浙江大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 秦曉暉;個(gè)性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過(guò)濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長(zhǎng)尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 牛明芝;唯一分解環(huán)上的矩陣分解[D];湖南科技大學(xué);2014年

10 封金蕾;基于矩陣分解的顯著對(duì)象提取算法分析與應(yīng)用[D];北京交通大學(xué);2012年

，

本文編號(hào)：867116