傳統(tǒng)的機(jī)器學(xué)習(xí)通常要求有大量的有標(biāo)簽數(shù)據(jù),然而這在一些場(chǎng)景中常常無法滿足。例如,在多網(wǎng)絡(luò)關(guān)系預(yù)測(cè)和推薦任務(wù)中存在冷啟動(dòng)(Cold Start)問題,即新網(wǎng)絡(luò)中存在較少的邊和關(guān)系數(shù)據(jù),這使得普通的監(jiān)督學(xué)習(xí)框架難以獲得很好的訓(xùn)練效果。遷移學(xué)習(xí)和主動(dòng)學(xué)習(xí)是兩種解決標(biāo)注數(shù)據(jù)不足的重要方法。在多網(wǎng)絡(luò)關(guān)系預(yù)測(cè)中,遷移學(xué)習(xí)利用源網(wǎng)絡(luò)中的關(guān)系信息幫助目標(biāo)網(wǎng)絡(luò)的關(guān)系預(yù)測(cè)任務(wù),主動(dòng)學(xué)習(xí)用于查詢目標(biāo)網(wǎng)絡(luò)中有價(jià)值的節(jié)點(diǎn)對(duì)樣本的真實(shí)標(biāo)簽,將其加入數(shù)據(jù)集中迭代訓(xùn)練。在多源數(shù)據(jù)推薦系統(tǒng)中,采用輔助數(shù)據(jù)的協(xié)同推薦(Collabrative Recommendation with Auxiliary Data,簡(jiǎn)稱CRAD)綜合用戶的社交網(wǎng)絡(luò)以及瀏覽記錄提高系統(tǒng)的推薦效果,遷移學(xué)習(xí)利用輔助數(shù)據(jù)學(xué)習(xí)用戶偏好信息,主動(dòng)學(xué)習(xí)用于查詢更能體現(xiàn)用戶偏好的物品評(píng)價(jià)。本文針對(duì)上述任務(wù)提出以下兩個(gè)獨(dú)立的方法:(1)基于主動(dòng)遷移學(xué)習(xí)的多網(wǎng)絡(luò)關(guān)系預(yù)測(cè)方法TAQIL;(2)基于主動(dòng)遷移學(xué)習(xí)的推薦系統(tǒng)TACF。第一個(gè)工作將源網(wǎng)絡(luò)中的節(jié)點(diǎn)信息遷移到目標(biāo)網(wǎng)絡(luò)中,訓(xùn)練得到一個(gè)初始模型,然后從目標(biāo)網(wǎng)絡(luò)的無標(biāo)簽數(shù)據(jù)中選擇信息量最大的數(shù)據(jù)進(jìn)行標(biāo)注,將其加...

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1傳統(tǒng)機(jī)器學(xué)習(xí)與遷移學(xué)習(xí)的區(qū)別

學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章相關(guān)背景知Yang[16]針對(duì)源領(lǐng)域和目標(biāo)領(lǐng)域樣本是否標(biāo)注及任務(wù)是否相同對(duì)遷移學(xué)習(xí)的據(jù)源領(lǐng)域和目標(biāo)領(lǐng)域中是否存在有標(biāo)簽樣本可將遷移學(xué)習(xí)劃分為3類：目注樣本的歸納遷移學(xué)習(xí)[26]，只有源領(lǐng)域中有標(biāo)簽樣本的直推遷移學(xué)習(xí)[27]，領(lǐng)域都沒有標(biāo)....

圖2.2使用輔助數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)的協(xié)同推薦關(guān)于“如何遷移”[16][28]

中包含了充足的有標(biāo)簽樣本，中只有少量有標(biāo)簽樣本和大量無標(biāo)簽樣本，該問題的目標(biāo)是學(xué)習(xí)一個(gè)預(yù)測(cè)函數(shù)f()→。2.1.3遷移學(xué)習(xí)與協(xié)同過濾在協(xié)同推薦中使用不同類型的輔助數(shù)據(jù)被稱為CRAD（CollaborativeRecommendationw....

圖2.3主動(dòng)學(xué)習(xí)查詢場(chǎng)景（1）在成員查詢合成場(chǎng)景下，機(jī)器學(xué)習(xí)模型可以標(biāo)注任意一個(gè)無標(biāo)簽樣本，甚至是模型

圖2.3主動(dòng)學(xué)習(xí)查詢場(chǎng)景）在成員查詢合成場(chǎng)景下，機(jī)器學(xué)習(xí)模型可以標(biāo)注任意一個(gè)無標(biāo)簽樣本，甚至是標(biāo)簽樣本。成員查詢合成在某些問題中較為合理，但在某些領(lǐng)域中卻無法使用個(gè)深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)用于識(shí)別數(shù)字字符中，大部分模型產(chǎn)生的樣本圖片是無法字符，領(lǐng)域?qū)＜绎@然無法標(biāo)注這些圖片。同樣，在自....

圖2.4主動(dòng)學(xué)習(xí)在系統(tǒng)推薦中的應(yīng)用下面我們?cè)敿?xì)介紹兩個(gè)維度組合下的主動(dòng)學(xué)習(xí)策略

京郵電大學(xué)專業(yè)學(xué)位碩士研究生學(xué)位論文第二章相關(guān)背景知識(shí)介策略。單一啟發(fā)式策略使用唯一的物品選擇規(guī)則，混合啟發(fā)式策略對(duì)多種啟發(fā)式策略進(jìn)合，利用多個(gè)物品選擇規(guī)則更好地評(píng)估哪些物品對(duì)改善系統(tǒng)性能更有用。圖2.4展示了推薦系統(tǒng)中主動(dòng)學(xué)習(xí)的一個(gè)例子[37]。圖像左側(cè)坐標(biāo)軸表示初始狀....

本文編號(hào)：3915450