多样化数据的推荐方法研究
发布时间：2022-10-19 12:57
在当今信息过载的时代,推荐系统已成为各互联网应用的核心组件,并深刻影响着人们的日常生活。例如,电子商务网站中的商品推荐服务为用户提供可能购买的商品;社交媒体平台中的兴趣点推荐服务帮助用户发现可能签到的地点;短视频软件中的视频推荐服务为用户提供可能喜欢的短视频;在线音乐网站中的音乐推荐服务帮助用户生成可能喜欢的播放列表—推荐已无处不在。推荐系统的深入研究不仅可以改善用户体验,而且能够帮助企业获取丰厚的商业利润。近年来,伴随互联网技术的蓬勃发展,推荐系统中的数据无论结构上还是形式上均变得更加多样化,以多源性、异构性、多模态性、时序动态性为主要特征的数据发挥着更加重要的作用。如何有效整合日趋复杂多样化的数据是推荐系统研究亟待解决的问题,也是当前机器学习领域的研究趋势。本文针对当前推荐方法在面向多样化数据时存在的局限性,围绕数据长尾性、数据场景感知性、数据异质性和数据时序动态性4个方面展开深入研究,提出相应的解决方案来应对评分预测和物品排序任务。主要研究成果为如下4个方面:1)针对仅从用户角度无法有效优化物品的相对排名问题,提出联合成对排序的推荐方法（co-pairwise ranking,C...
【文章页数】：152 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究现状
1.3 研究内容
1.4 组织结构
2 推荐系统相关技术
2.1 推荐系统定义
2.2 推荐系统方法研究进展
2.2.1 基于内容的推荐方法
2.2.2 协同过滤
2.2.3 混合推荐方法
2.2.4 社会化推荐
2.2.5 序列化推荐
2.2.6 视觉信息感知的推荐
2.3 矩阵分解
2.3.1 传统矩阵分解
2.3.2 社会化矩阵分解
2.3.3 面向排序学习的矩阵分解
2.4 推荐结果的评估标准
2.4.1 评分预测指标
2.4.2 物品排序指标
2.5 本章小结
3 联合成对排序的推荐方法
3.1 引言
3.2 联合成对排序的矩阵分解模型
3.2.1 问题定义与模型框架
3.2.2 位置感知的采样策略
3.2.3 交替优化模型参数
3.3 实验设置与结果分析
3.3.1 实验设置
3.3.2 全体用户集上的实验结果分析
3.3.3 不同用户分组上的实验结果分析
3.3.4 位置感知采样策略的有效性分析
3.3.5 交替优化方式的有效性分析
3.3.6 CPR与基准方法的效率分析
3.3.7 超参数敏感性分析
3.3.8 案例分析
3.4 本章小结
4 融合物品内在与外在特性的推荐方法
4.1 引言
4.2 内外兼并的概率矩阵分解模型
4.2.1 问题定义与模型框架
4.2.2 快速交替最小二乘法优化模型参数
4.2.3 在线学习
4.3 实验设置与结果分析
4.3.1 实验设置
4.3.2 全体用户集上的实验结果分析
4.3.3 不同用户分组上的实验结果分析
4.3.4 IEPMF与基准模型的效率分析
4.3.5 在线环境下实验结果分析
4.3.6 案例分析
4.4 本章小结
5 面向多源异构数据的推荐方法
5.1 引言
5.2 面向多源异构数据的矩阵分解模型
5.2.1 问题定义与模型框架
5.2.2 随机梯度下降法优化模型参数
5.3 实验设置与结果分析
5.3.1 实验设置
5.3.2 全体和冷启动物品集上的实验结果分析
5.3.3 不同物品分组上的实验结果分析
5.3.4 超参数敏感性分析
5.4 本章小结
6 面向序列化推荐的高阶平移方法
6.1 引言
6.2 注意力平移模型
6.2.1 问题定义与模型框架
6.2.2 序列贝叶斯个性化排序方法优化模型参数
6.3 实验设置与结果分析
6.3.1 实验设置
6.3.2 不同特征向量维度下的实验结果分析
6.3.3 不同推荐列表长度下的实验结果分析
6.3.4 不同聚合操作对于HTM方法的精度影响
6.3.5 不同阶马尔科夫链对于HTM方法的精度影响
6.3.6 案例分析
6.4 本章小结
7 总结与展望
7.1 研究总结
7.2 研究展望
参考文献
附录A 联合优化算法
致谢
个人简历及攻读博士期间发表论文
本文编号：3693405
【文章页数】：152 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究现状
1.3 研究内容
1.4 组织结构
2 推荐系统相关技术
2.1 推荐系统定义
2.2 推荐系统方法研究进展
2.2.1 基于内容的推荐方法
2.2.2 协同过滤
2.2.3 混合推荐方法
2.2.4 社会化推荐
2.2.5 序列化推荐
2.2.6 视觉信息感知的推荐
2.3 矩阵分解
2.3.1 传统矩阵分解
2.3.2 社会化矩阵分解
2.3.3 面向排序学习的矩阵分解
2.4 推荐结果的评估标准
2.4.1 评分预测指标
2.4.2 物品排序指标
2.5 本章小结
3 联合成对排序的推荐方法
3.1 引言
3.2 联合成对排序的矩阵分解模型
3.2.1 问题定义与模型框架
3.2.2 位置感知的采样策略
3.2.3 交替优化模型参数
3.3 实验设置与结果分析
3.3.1 实验设置
3.3.2 全体用户集上的实验结果分析
3.3.3 不同用户分组上的实验结果分析
3.3.4 位置感知采样策略的有效性分析
3.3.5 交替优化方式的有效性分析
3.3.6 CPR与基准方法的效率分析
3.3.7 超参数敏感性分析
3.3.8 案例分析
3.4 本章小结
4 融合物品内在与外在特性的推荐方法
4.1 引言
4.2 内外兼并的概率矩阵分解模型
4.2.1 问题定义与模型框架
4.2.2 快速交替最小二乘法优化模型参数
4.2.3 在线学习
4.3 实验设置与结果分析
4.3.1 实验设置
4.3.2 全体用户集上的实验结果分析
4.3.3 不同用户分组上的实验结果分析
4.3.4 IEPMF与基准模型的效率分析
4.3.5 在线环境下实验结果分析
4.3.6 案例分析
4.4 本章小结
5 面向多源异构数据的推荐方法
5.1 引言
5.2 面向多源异构数据的矩阵分解模型
5.2.1 问题定义与模型框架
5.2.2 随机梯度下降法优化模型参数
5.3 实验设置与结果分析
5.3.1 实验设置
5.3.2 全体和冷启动物品集上的实验结果分析
5.3.3 不同物品分组上的实验结果分析
5.3.4 超参数敏感性分析
5.4 本章小结
6 面向序列化推荐的高阶平移方法
6.1 引言
6.2 注意力平移模型
6.2.1 问题定义与模型框架
6.2.2 序列贝叶斯个性化排序方法优化模型参数
6.3 实验设置与结果分析
6.3.1 实验设置
6.3.2 不同特征向量维度下的实验结果分析
6.3.3 不同推荐列表长度下的实验结果分析
6.3.4 不同聚合操作对于HTM方法的精度影响
6.3.5 不同阶马尔科夫链对于HTM方法的精度影响
6.3.6 案例分析
6.4 本章小结
7 总结与展望
7.1 研究总结
7.2 研究展望
参考文献
附录A 联合优化算法
致谢
个人简历及攻读博士期间发表论文
本文编号：3693405
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3693405.html