在當(dāng)今信息過載的時代,推薦系統(tǒng)已成為各互聯(lián)網(wǎng)應(yīng)用的核心組件,并深刻影響著人們的日常生活。例如,電子商務(wù)網(wǎng)站中的商品推薦服務(wù)為用戶提供可能購買的商品;社交媒體平臺中的興趣點(diǎn)推薦服務(wù)幫助用戶發(fā)現(xiàn)可能簽到的地點(diǎn);短視頻軟件中的視頻推薦服務(wù)為用戶提供可能喜歡的短視頻;在線音樂網(wǎng)站中的音樂推薦服務(wù)幫助用戶生成可能喜歡的播放列表—推薦已無處不在。推薦系統(tǒng)的深入研究不僅可以改善用戶體驗,而且能夠幫助企業(yè)獲取豐厚的商業(yè)利潤。近年來,伴隨互聯(lián)網(wǎng)技術(shù)的蓬勃發(fā)展,推薦系統(tǒng)中的數(shù)據(jù)無論結(jié)構(gòu)上還是形式上均變得更加多樣化,以多源性、異構(gòu)性、多模態(tài)性、時序動態(tài)性為主要特征的數(shù)據(jù)發(fā)揮著更加重要的作用。如何有效整合日趨復(fù)雜多樣化的數(shù)據(jù)是推薦系統(tǒng)研究亟待解決的問題,也是當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的研究趨勢。本文針對當(dāng)前推薦方法在面向多樣化數(shù)據(jù)時存在的局限性,圍繞數(shù)據(jù)長尾性、數(shù)據(jù)場景感知性、數(shù)據(jù)異質(zhì)性和數(shù)據(jù)時序動態(tài)性4個方面展開深入研究,提出相應(yīng)的解決方案來應(yīng)對評分預(yù)測和物品排序任務(wù)。主要研究成果為如下4個方面:1)針對僅從用戶角度無法有效優(yōu)化物品的相對排名問題,提出聯(lián)合成對排序的推薦方法（co-pairwise ranking,C... 

【文章頁數(shù)】：152 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 組織結(jié)構(gòu)
2 推薦系統(tǒng)相關(guān)技術(shù)
    2.1 推薦系統(tǒng)定義
    2.2 推薦系統(tǒng)方法研究進(jìn)展
        2.2.1 基于內(nèi)容的推薦方法
        2.2.2 協(xié)同過濾
        2.2.3 混合推薦方法
        2.2.4 社會化推薦
        2.2.5 序列化推薦
        2.2.6 視覺信息感知的推薦
    2.3 矩陣分解
        2.3.1 傳統(tǒng)矩陣分解
        2.3.2 社會化矩陣分解
        2.3.3 面向排序?qū)W習(xí)的矩陣分解
    2.4 推薦結(jié)果的評估標(biāo)準(zhǔn)
        2.4.1 評分預(yù)測指標(biāo)
        2.4.2 物品排序指標(biāo)
    2.5 本章小結(jié)
3 聯(lián)合成對排序的推薦方法
    3.1 引言
    3.2 聯(lián)合成對排序的矩陣分解模型
        3.2.1 問題定義與模型框架
        3.2.2 位置感知的采樣策略
        3.2.3 交替優(yōu)化模型參數(shù)
    3.3 實(shí)驗設(shè)置與結(jié)果分析
        3.3.1 實(shí)驗設(shè)置
        3.3.2 全體用戶集上的實(shí)驗結(jié)果分析
        3.3.3 不同用戶分組上的實(shí)驗結(jié)果分析
        3.3.4 位置感知采樣策略的有效性分析
        3.3.5 交替優(yōu)化方式的有效性分析
        3.3.6 CPR與基準(zhǔn)方法的效率分析
        3.3.7 超參數(shù)敏感性分析
        3.3.8 案例分析
    3.4 本章小結(jié)
4 融合物品內(nèi)在與外在特性的推薦方法
    4.1 引言
    4.2 內(nèi)外兼并的概率矩陣分解模型
        4.2.1 問題定義與模型框架
        4.2.2 快速交替最小二乘法優(yōu)化模型參數(shù)
        4.2.3 在線學(xué)習(xí)
    4.3 實(shí)驗設(shè)置與結(jié)果分析
        4.3.1 實(shí)驗設(shè)置
        4.3.2 全體用戶集上的實(shí)驗結(jié)果分析
        4.3.3 不同用戶分組上的實(shí)驗結(jié)果分析
        4.3.4 IEPMF與基準(zhǔn)模型的效率分析
        4.3.5 在線環(huán)境下實(shí)驗結(jié)果分析
        4.3.6 案例分析
    4.4 本章小結(jié)
5 面向多源異構(gòu)數(shù)據(jù)的推薦方法
    5.1 引言
    5.2 面向多源異構(gòu)數(shù)據(jù)的矩陣分解模型
        5.2.1 問題定義與模型框架
        5.2.2 隨機(jī)梯度下降法優(yōu)化模型參數(shù)
    5.3 實(shí)驗設(shè)置與結(jié)果分析
        5.3.1 實(shí)驗設(shè)置
        5.3.2 全體和冷啟動物品集上的實(shí)驗結(jié)果分析
        5.3.3 不同物品分組上的實(shí)驗結(jié)果分析
        5.3.4 超參數(shù)敏感性分析
    5.4 本章小結(jié)
6 面向序列化推薦的高階平移方法
    6.1 引言
    6.2 注意力平移模型
        6.2.1 問題定義與模型框架
        6.2.2 序列貝葉斯個性化排序方法優(yōu)化模型參數(shù)
    6.3 實(shí)驗設(shè)置與結(jié)果分析
        6.3.1 實(shí)驗設(shè)置
        6.3.2 不同特征向量維度下的實(shí)驗結(jié)果分析
        6.3.3 不同推薦列表長度下的實(shí)驗結(jié)果分析
        6.3.4 不同聚合操作對于HTM方法的精度影響
        6.3.5 不同階馬爾科夫鏈對于HTM方法的精度影響
        6.3.6 案例分析
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 研究總結(jié)
    7.2 研究展望
參考文獻(xiàn)
附錄A 聯(lián)合優(yōu)化算法
致謝
個人簡歷及攻讀博士期間發(fā)表論文



本文編號：3693405