發(fā)布時(shí)間：2017-11-15 16:31

  本文關(guān)鍵詞：基于學(xué)習(xí)自動(dòng)機(jī)的隱語義模型推薦算法改進(jìn)研究

  更多相關(guān)文章： 推薦算法 隱語義模型 學(xué)習(xí)自動(dòng)機(jī) TopN推薦

【摘要】：推薦算法(Recommendation Algorithm)的目的是將最可能引起用戶興趣的物品推薦給用戶,從而使用戶和供應(yīng)商都得到利益最大化。隨著電商時(shí)代和大數(shù)據(jù)時(shí)代的到來,推薦算法的好壞越來越成為一個(gè)網(wǎng)站或應(yīng)用成功與否的重要因素之一。隱語義模型(Latent Factor Model,LFM)推薦算法由于自適應(yīng)性能好、預(yù)測準(zhǔn)確性高,已成為推薦算法研究領(lǐng)域的一個(gè)熱點(diǎn),在評(píng)分預(yù)測、TopN推薦等兩種典型推薦算法應(yīng)用場景下都展示了可觀的應(yīng)用前景。然而,隱語義模型推薦算法在性能上尚存在改進(jìn)提升空間。為此,本文針對(duì)隱語義模型推薦算法展開進(jìn)一步研究,并將其應(yīng)用于評(píng)分預(yù)測、TopN推薦。隱語義模型在實(shí)際使用前需要對(duì)用戶偏好模型進(jìn)行訓(xùn)練,目前使用的訓(xùn)練方法是梯度下降法。有鑒于此,本文首先針對(duì)隱語義模型的訓(xùn)練過程進(jìn)行研究,結(jié)合學(xué)習(xí)自動(dòng)機(jī)(Learning Automata,LA)具有全局收斂性好、抗噪聲能力強(qiáng)的優(yōu)點(diǎn),對(duì)現(xiàn)有隱語義模型的典型訓(xùn)練算法進(jìn)行改進(jìn),給出了CALA-TM訓(xùn)練算法,并將其應(yīng)用于評(píng)分預(yù)測。仿真結(jié)果表明,基于該改進(jìn)算法,可以在評(píng)分矩陣較稀疏的情況下提高預(yù)測準(zhǔn)確度。更進(jìn)一步,考慮上述CALA-TM訓(xùn)練算法存在收斂速度較慢的局限性,本文將梯度下降算法與學(xué)習(xí)自動(dòng)機(jī)相結(jié)合,進(jìn)一步對(duì)訓(xùn)練算法加以改進(jìn),給出了基于學(xué)習(xí)自動(dòng)機(jī)與梯度下降算法相結(jié)合的訓(xùn)練算法LAGD-TM,并也將其應(yīng)用于預(yù)測評(píng)分。仿真結(jié)果表明,該訓(xùn)練算法可以提高CALA-TM訓(xùn)練過程中的誤差下降速度,減少模型訓(xùn)練時(shí)間,并且,還可以在相應(yīng)預(yù)測評(píng)分方面進(jìn)一步降低預(yù)測誤差。此外,本文也對(duì)隱語義模型在TopN推薦中的應(yīng)用進(jìn)行了探討,結(jié)合上述研究成果并改進(jìn)經(jīng)典Top N推薦方法的排序方式,給出了一種改進(jìn)的LAGD-RCSM TopN推薦方法。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的TopN推薦方法可以進(jìn)一步提高前Top10和Top20的召回率。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王國霞;劉賀平;;個(gè)性化推薦系統(tǒng)綜述[J];計(jì)算機(jī)工程與應(yīng)用;2012年07期

，

本文編號(hào)：1190488