近年來,隨著互聯(lián)網(wǎng)（特別是移動互聯(lián)網(wǎng)）的迅猛發(fā)展以及移動設(shè)備的日益普及,無論是消費企業(yè)運營服務(wù)的商業(yè)模式還是人們?nèi)粘Ｉ钪械膴蕵沸蓍e與消費習慣都發(fā)生了巨大變化。從消費企業(yè)運營服務(wù)商的角度來說,他希望迅速鎖定消費人群,把消費者最感興趣的商品和服務(wù)呈現(xiàn)給他們。從普通消費者的角度來說,他希望從海量的網(wǎng)上內(nèi)容與服務(wù)當中迅速得到自己喜歡的產(chǎn)品與服務(wù)。由于互聯(lián)網(wǎng)迅猛發(fā)展所帶來的用戶規(guī)模與網(wǎng)上內(nèi)容服務(wù)的爆炸性的增長,不僅讓消費企業(yè)運營服務(wù)商鎖定消費人群的任務(wù)變得越來越具有挑戰(zhàn)性,而且普通消費者在獲取自己感興趣內(nèi)容與服務(wù)的時候倍感困難。因此,無論是對消費企業(yè)運營服務(wù)商還是普通消費者來說,推薦服務(wù)都變得越來越有必要,而矩陣填充技術(shù)是構(gòu)建現(xiàn)代推薦系統(tǒng)的核心技術(shù)之一。所謂矩陣填充技術(shù),指的是在矩陣有殘缺值的位置上填充元素值的方法。其在大規(guī)模推薦系統(tǒng)上的應(yīng)用面臨許多新的挑戰(zhàn)。例如,為了推提高薦算法的魯棒性,人們希望在推薦系統(tǒng)中應(yīng)用凸優(yōu)化矩陣填充算法,然而傳統(tǒng)的凸優(yōu)化矩陣填充算法往往在存儲效率和計算效率上都有較大的不足,難以應(yīng)用于大規(guī)模的矩陣填充。其次,對大規(guī)模推薦系統(tǒng)而言,在整個大規(guī)模數(shù)據(jù)集上調(diào)節(jié)參數(shù)非常耗時... 

【文章頁數(shù)】：117 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究內(nèi)容與面臨的主要挑戰(zhàn)
    1.3 本文的組織結(jié)構(gòu)
第二章 相關(guān)工作概述
    2.1 矩陣填充研究
    2.2 推薦系統(tǒng)研究
    2.3 社交媒體推薦系統(tǒng)研究
第三章 低秩凸優(yōu)化矩陣填充算法
    3.1 引言
    3.2 問題的定義
    3.3 矩陣填充凸優(yōu)化問題(3.2)的低秩解法
        3.3.1 一階最優(yōu)化條件
        3.3.2 二階最優(yōu)化條件
        3.3.3 低秩優(yōu)化問題(3.3)的求解(矩陣跡球空間優(yōu)化方法)
        3.3.4 算法運行示例
    3.4 關(guān)于模型參數(shù)γ的討論
        3.4.1 η性質(zhì)的初步討論
        3.4.2 關(guān)于高效穩(wěn)定的η的討論
        3.4.3 為不同大小的訓練數(shù)據(jù)樣本快速確定最優(yōu)參數(shù)γ
    3.5 實驗分析
        3.5.1 基準比較方法
        3.5.2 數(shù)據(jù)準備和實驗?zāi)康?br>        3.5.3 最佳參數(shù)穩(wěn)定性對比
        3.5.4 固定模型參數(shù)在不同大小數(shù)據(jù)集上的比較
    3.6 本章小結(jié)
第四章 參數(shù)對矩陣規(guī)模不變的矩陣分解方法
    4.1 引言
    4.2 準備知識與假設(shè)
    4.3 利用分解方差進行矩陣分解
        4.3.1 參數(shù)對矩陣規(guī)模不變的矩陣分解問題FAVA
        4.3.2 對FAVA問題的球面投影法
        4.3.3 對FAVA問題的最速特征初始化方法
    4.4 分解方差的估計
    4.5 關(guān)于參數(shù)對矩陣規(guī)模敏感的理論分析
    4.6 實驗分析
        4.6.1 在子評分矩陣上的綜合比較
        4.6.2 固定參數(shù)在原始大規(guī)模評分矩陣MovieLens10M上的比較
    4.7 本章小結(jié)
第五章 分離個體興趣和共同興趣的社交評分矩陣分解
    5.1 引言
    5.2 問題定義與準備知識
    5.3 社交媒體用戶興趣分離模型(DisSUP)
        5.3.1 梯度計算
        5.3.2 梯度計算的時間復(fù)雜度分析
    5.4 模型應(yīng)用
        5.4.1 社交媒體內(nèi)容評分預(yù)測
        5.4.2 小眾品味內(nèi)容推薦
        5.4.3 社交網(wǎng)絡(luò)1-跳最有影響力用戶識別
    5.5 實驗分析
        5.5.1 社交媒體內(nèi)容評分預(yù)測應(yīng)用
        5.5.2 小眾品味內(nèi)容推薦應(yīng)用
        5.5.3 社交網(wǎng)絡(luò)1-跳最有影響力用戶識別
    5.6 本章小結(jié)
    5.7 附錄
第六章 本文總結(jié)與展望
    6.1 本文研究工作總結(jié)
    6.2 未來研究工作展望
參考文獻
致謝
在讀期間發(fā)表的學術(shù)論文與取得的研究成果



本文編號：3711583