個(gè)性化推薦作為解決信息負(fù)載的重要手段,正受到學(xué)術(shù)界越來(lái)越多的關(guān)注和研究,給商業(yè)平臺(tái)帶來(lái)不可估量的收益。將推薦系統(tǒng)視為一個(gè)查詢-排序問(wèn)題,生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GANs)以其生成模型和判別模型動(dòng)態(tài)對(duì)抗互利共贏的特性可以很好的模擬推薦領(lǐng)域中用戶與推薦系統(tǒng)的交互過(guò)程。然而原始GANs僅限于生成連續(xù)數(shù)據(jù),為解決推薦領(lǐng)域以離散文本為主流數(shù)據(jù)形式的問(wèn)題,通常采用強(qiáng)化學(xué)習(xí)(Reinforcement Learning,RL)的策略梯度(Policy Gradient)來(lái)求取生成模型的近似梯度,卻容易產(chǎn)生高方差,引起樣本擾動(dòng),導(dǎo)致模型難以收斂。況且GANs向來(lái)難以訓(xùn)練,應(yīng)用于推薦“模型崩潰”依舊存在,網(wǎng)絡(luò)泛化性欠佳。針對(duì)上述問(wèn)題提出一種基于異構(gòu)Generator-Discriminator集成的推薦算法(Heterogeneous Generator-Discriminator Ensemble,HGDE),動(dòng)態(tài)模擬用戶和推薦系統(tǒng)的交互過(guò)程,在已有的將GANs應(yīng)用于推薦的算法基礎(chǔ)上做了以下改進(jìn):i)采用動(dòng)態(tài)負(fù)采樣的方法初步過(guò)濾候選集,減小查詢海量...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究概況
    1.3 主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
2 關(guān)鍵技術(shù)理論基礎(chǔ)
    2.1 個(gè)性化推薦算法
    2.2 生成對(duì)抗網(wǎng)絡(luò)
    2.3 集成學(xué)習(xí)
    2.4 負(fù)采樣優(yōu)化算法
    2.5 本章小結(jié)
3 基于生成對(duì)抗網(wǎng)絡(luò)的推薦算法
    3.1 基本原理與形式化定義
    3.2 模型設(shè)計(jì)思路
    3.3 對(duì)抗網(wǎng)絡(luò)應(yīng)用于推薦核心模塊理論推導(dǎo)
    3.4 本章小結(jié)
4 基于異構(gòu)生成對(duì)抗網(wǎng)絡(luò)集成的推薦算法
    4.1 問(wèn)題描述
    4.2 模型設(shè)計(jì)
    4.3 算法偽碼與復(fù)雜度分析
    4.4 本章小結(jié)
5 實(shí)驗(yàn)評(píng)估
    5.1 實(shí)驗(yàn)配置
    5.2 相關(guān)評(píng)測(cè)指標(biāo)以及對(duì)照實(shí)驗(yàn)
    5.3 實(shí)驗(yàn)結(jié)果對(duì)比和分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 課題展望
致謝
參考文獻(xiàn)



本文編號(hào)：3818507