目前,推薦系統(tǒng)已被廣泛地應(yīng)用到人們的日常生活當(dāng)中,并在電子商務(wù)、社交網(wǎng)絡(luò)、計(jì)算廣告、智能醫(yī)療、智慧城市等領(lǐng)域取得了豐碩的成果。推薦系統(tǒng)旨在從大量信息中為用戶快速地發(fā)掘潛在有用的少量信息,從而使用戶避免陷入信息超載的問(wèn)題,多年來(lái)受到學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。然而,隨著互聯(lián)網(wǎng)的快速發(fā)展以及智能終端的日益普及,數(shù)據(jù)在數(shù)量、維度、形式、結(jié)構(gòu)等方面發(fā)生了巨大的變化,產(chǎn)生了數(shù)據(jù)海量化、特征高維化、形式多模態(tài)化、結(jié)構(gòu)復(fù)雜化的一系列挑戰(zhàn)。伴隨而來(lái)的是推薦模型存儲(chǔ)開(kāi)銷、在線推薦計(jì)算開(kāi)銷、高維噪聲數(shù)據(jù)預(yù)處理、異構(gòu)模態(tài)數(shù)據(jù)推薦、復(fù)雜結(jié)構(gòu)信息提取等問(wèn)題。針對(duì)以上問(wèn)題,本文對(duì)面向大規(guī)模復(fù)雜數(shù)據(jù)的推薦系統(tǒng)進(jìn)行了深入的研究,分別提出了解決方案。本文的主要貢獻(xiàn)總結(jié)如下:1)提出了一個(gè)離散化的因子分解機(jī)推薦模型。通過(guò)構(gòu)造交叉熵目標(biāo)函數(shù)的二次上界,并且引入離散約束,從而把潛在特征矩陣的優(yōu)化問(wèn)題轉(zhuǎn)化為一系列二元二次規(guī)劃問(wèn)題,并且利用半正定松弛優(yōu)化方法來(lái)學(xué)習(xí)哈希編碼表示。實(shí)驗(yàn)結(jié)果表明,相對(duì)于實(shí)值表示的因子分解機(jī)模型,該模型能夠在取得相近的推薦性能的同時(shí)顯著地減少模型存儲(chǔ)開(kāi)銷和加速推薦計(jì)算,從而有效地應(yīng)對(duì)數(shù)據(jù)海量化和特征高維化...

【文章頁(yè)數(shù)】：112 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖１－１?．本文的研愈思路與研宄工作??３??

，這導(dǎo)致了現(xiàn)有模型的檢索推薦準(zhǔn)確率較低；（４）現(xiàn)有的基亍神經(jīng)網(wǎng)絡(luò)的推薦模型難??以有效地直接將用戶和物品的復(fù)雜幾何結(jié)構(gòu)儀息引入到潛在嵌入表示學(xué)習(xí)和交瓦麗構(gòu)??建模過(guò)程中，這限制了潛在嵌入向量表示的表征能力以及模型推薦的精確性。因此，如??何進(jìn)一步解決以上的挑戰(zhàn)是重要的研究問(wèn)題。為....

圖１－２全文的組織結(jié)構(gòu)和章節(jié)關(guān)系??本文的組織結(jié)構(gòu)和章節(jié)關(guān)系如圖１－２所示，內(nèi)容安排如下ｉ??

研究職?與展望??ｖ?ｙ?ｖ?ｖ?ｖ?ｙ?ｖ?－／??Ｉ?Ｉ?１?ｌ?ｌ??（??＼?／??Ｎ?／??Ｎ?／??Ｎ??數(shù)據(jù)海量化特征高維化結(jié)構(gòu)復(fù)雜化??Ｖ?■?Ｊ?Ｖ?■?Ｖ??？?Ｖ???＼??Ｉ?Ｉ?Ｉ??ｒ?１?ｆ基于圖神經(jīng)網(wǎng)＇??因推子薦分模！幾主溫去據(jù)的ｆｆ｜｜｜索絡(luò)的....

圖３－２算法性能對(duì)比ＮＤＣＧ＠Ｎ?（Ｎ從１到１０，潛在特征向量長(zhǎng)度從８到３２）??３．４．２實(shí)驗(yàn)結(jié)果??３．４．２．１與對(duì)比算法的比較（Ｑ１）??

ＭＦ?口?ＢＣＦＭ?—＊—ＤＦＭ?Ｏ?ＤＲＦＭ??８－ｂｉｔｓ?１６－ｂｉｔｓ?２４－ｂｉｔｓ?３２－ｂｉｔｓ??ａ６［ｈ＾Ｂ＾＾??２?４?６?８?１０?２?４?６?８?１０?２?４?６?８?１０?２?４?６?８?１０??８－ｂｉｔｓ?１６－ｂｉｔｓ?２４－ｂｉｔｓ?３２－ｂｉ....

圖３＿３?（ａ）：二次上羿函數(shù)與交叉熵函數(shù)的實(shí)驗(yàn)比較ｉ（ｂ＞：?ｔ＆優(yōu)化＃間題的收斂實(shí)驗(yàn)??

分解機(jī)推薦模型???常好的近似。這個(gè)觀察表明了我們使用上界函數(shù)替代原交叉熵?fù)p失函數(shù)是可信賴的。??然后我們分析ＤＲＦＭ＾＜］收斂性。在前面的計(jì)算復(fù)雜度分析部分，我們得知子問(wèn)??題的計(jì)算復(fù)雜度是和＃正相關(guān)的（ｃ是條件數(shù)）。根據(jù)文獻(xiàn)［１（）１］，＾是收斂迭代次數(shù)的上??界。＿此，我們....

本文編號(hào)：3959317