隨著互聯(lián)網(wǎng)的爆炸式增長,人們所需的信息容納于海量的數(shù)據(jù)中。而推薦系統(tǒng)能夠幫助人們從這些數(shù)據(jù)中篩選出對自己有用的信息,這些數(shù)據(jù)可用高維稀疏矩陣來表示。因基于隱特征分析的推薦技術(shù)具備計(jì)算效率高、空間復(fù)雜度低、可擴(kuò)展性強(qiáng)等優(yōu)點(diǎn),被廣泛地研究和應(yīng)用,是處理高維稀疏數(shù)據(jù)的有效方法。在隱特征分析模型中,隨機(jī)梯度下降算法作為最受歡迎的求解方式,常常被用來提取高維稀疏矩陣中的隱特征。但基于該求解方式的隱特征分析模型的性能受學(xué)習(xí)步長的影響,為獲得精準(zhǔn)的預(yù)測結(jié)果需要選擇一個適合的學(xué)習(xí)步長,這需要耗費(fèi)大量的時間和精力。因此,為改善現(xiàn)存隱特征分析模型的性能,本文提出了一種基于粒子群優(yōu)化的高速收斂隱特征分析模型,并圍繞該優(yōu)化模型開展研究工作,所完成的主要工作內(nèi)容如下:（1）提出了一種基于粒子群優(yōu)化的隱特征分析模型。該模型將粒子群優(yōu)化算法的規(guī)則應(yīng)用到隱特征分析模型中,將每個粒子視作需要優(yōu)化的學(xué)習(xí)步長,利用粒子自身的經(jīng)驗(yàn)和群體的經(jīng)驗(yàn)進(jìn)行更新來自動選擇學(xué)習(xí)步長,使學(xué)習(xí)步長能夠?qū)崿F(xiàn)自適應(yīng),從而獲得高的計(jì)算效率以及具有競爭力的預(yù)測精度,該模型在時間消耗上明顯優(yōu)于傳統(tǒng)的隱特征分析模型。（2）提出一種新的、基于位置變遷的粒子... 

【文章來源】：西華師范大學(xué)四川省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

隱特征分析模型構(gòu)建圖

第2章隱特征分析基礎(chǔ)模型14合理地選取該值的大校（a）RMSE（b）MAE圖2-2M1在D1上的訓(xùn)練過程圖Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE圖2-3M1在D2上的訓(xùn)練過程圖Fig.2-3TrainingprocessofM1onD22.5本章小結(jié)本章旨在介紹傳統(tǒng)的隱特征分析模型，并通過實(shí)驗(yàn)說明模型的性能受學(xué)習(xí)步長的影響。本章首先介紹了基本矩陣分解模型，然后介紹了傳統(tǒng)的隱特征分析模型，其中說明了隱特征分析模型的構(gòu)建過程，構(gòu)建了隱特征分析模型的損失函數(shù)，并加入吉洪諾夫（Tikhonov）正則化項(xiàng)對損失函數(shù)進(jìn)行限制，防止過擬合，然后利用隨機(jī)梯度下降算法求解隱特征空間，接著給出了隱特征分析模型的偽代碼，對算法的計(jì)算復(fù)雜度和存儲復(fù)雜度進(jìn)行了分析，最后通過在兩個來自真實(shí)工業(yè)應(yīng)用產(chǎn)生的高維稀疏矩陣上進(jìn)行實(shí)驗(yàn)，測試學(xué)習(xí)步長對模型的影響，實(shí)驗(yàn)結(jié)果表明隱特征分析模型的預(yù)測精度和計(jì)算效率與學(xué)習(xí)步長的取值緊密相關(guān)。本章測試了學(xué)習(xí)步長對模型性能的影響，說明了該參數(shù)對隱特征分析模型的重要性，同時也為本文所提出的基于粒子群優(yōu)化的高速收斂隱特征分析模型做了一個很好的鋪墊。

第2章隱特征分析基礎(chǔ)模型14合理地選取該值的大校（a）RMSE（b）MAE圖2-2M1在D1上的訓(xùn)練過程圖Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE圖2-3M1在D2上的訓(xùn)練過程圖Fig.2-3TrainingprocessofM1onD22.5本章小結(jié)本章旨在介紹傳統(tǒng)的隱特征分析模型，并通過實(shí)驗(yàn)說明模型的性能受學(xué)習(xí)步長的影響。本章首先介紹了基本矩陣分解模型，然后介紹了傳統(tǒng)的隱特征分析模型，其中說明了隱特征分析模型的構(gòu)建過程，構(gòu)建了隱特征分析模型的損失函數(shù)，并加入吉洪諾夫（Tikhonov）正則化項(xiàng)對損失函數(shù)進(jìn)行限制，防止過擬合，然后利用隨機(jī)梯度下降算法求解隱特征空間，接著給出了隱特征分析模型的偽代碼，對算法的計(jì)算復(fù)雜度和存儲復(fù)雜度進(jìn)行了分析，最后通過在兩個來自真實(shí)工業(yè)應(yīng)用產(chǎn)生的高維稀疏矩陣上進(jìn)行實(shí)驗(yàn)，測試學(xué)習(xí)步長對模型的影響，實(shí)驗(yàn)結(jié)果表明隱特征分析模型的預(yù)測精度和計(jì)算效率與學(xué)習(xí)步長的取值緊密相關(guān)。本章測試了學(xué)習(xí)步長對模型性能的影響，說明了該參數(shù)對隱特征分析模型的重要性，同時也為本文所提出的基于粒子群優(yōu)化的高速收斂隱特征分析模型做了一個很好的鋪墊。

【參考文獻(xiàn)】：
期刊論文
[1]一種潛在特征同步學(xué)習(xí)和偏好引導(dǎo)的推薦方法[J]. 李琳,朱閣,解慶,蘇暢,楊征路.  軟件學(xué)報. 2019(11)
[2]基于協(xié)同過濾和隱語義模型的混合推薦算法[J]. 徐吉,李小波,陳華輝,許浩.  計(jì)算機(jī)技術(shù)與發(fā)展. 2020(02)
[3]針對隱式反饋推薦系統(tǒng)的表征學(xué)習(xí)方法[J]. 梅嵐翔,郁雪.  計(jì)算機(jī)應(yīng)用研究. 2020(08)
[4]個性化推薦系統(tǒng)綜述[J]. 代麗,樊粵湘.  計(jì)算機(jī)時代. 2019(06)
[5]基于協(xié)同過濾加權(quán)預(yù)測的主動學(xué)習(xí)缺失值填補(bǔ)算法[J]. 黃帷,閔帆,任杰.  南京大學(xué)學(xué)報(自然科學(xué)). 2018(04)
[6]融合社交因素和評論文本卷積網(wǎng)絡(luò)模型的汽車推薦研究[J]. 馮永,陳以剛,強(qiáng)保華.  自動化學(xué)報. 2019(03)
[7]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報. 2018(07)
[8]基于Pareto熵的多目標(biāo)粒子群優(yōu)化算法[J]. 胡旺,Gary G. YEN,張鑫.  軟件學(xué)報. 2014(05)

博士論文
[1]基于QoS缺失數(shù)據(jù)預(yù)測的個性化Web服務(wù)推薦方法研究[D]. 馬友.北京郵電大學(xué) 2015

碩士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的中醫(yī)藥材推薦[D]. 王科文.華南理工大學(xué) 2018
[2]基于鄰域的協(xié)同過濾推薦算法研究[D]. 于陽.解放軍信息工程大學(xué) 2017
[3]基于高維稀疏矩陣隱特征分析的蛋白質(zhì)相互作用預(yù)測技術(shù)研究[D]. 孫劍沛.重慶大學(xué) 2017
[4]異質(zhì)信息網(wǎng)絡(luò)中基于鄰域的協(xié)同過濾推薦算法[D]. 陳曦.大連理工大學(xué) 2014



本文編號：3135194