基于稀疏交互和上下文赌博机的在线个性化推荐方法研究

发布时间：2021-03-18 11:12

　　在当今的很多应用中,在线推荐已经成为一个重要特征。为了更好的用户体验和更高效的信息搜索,在电子商务、流服务、新闻、音乐等众多服务平台中,在线推荐都是一个重要的应用模块。各种在线推荐算法由此应运而生,越来越多的研究工作集中于探索如何应用所有历史数据生成一个更好的推荐模型从而得到更好的推荐结果。实际上,用户和推荐系统之间可能存在稀疏交互,也就是说,用户在使用过程中并不总是和推荐系统进行交互,这有可能影响用于生成模型的历史日志数据的质量。例如,有些用户更喜欢浏览推荐列表的标题,而不是点击查看推荐内容的详情信息。此外,有些用户可能只是打开网页而做着其他事情,其注意力并不在网页内容上,推荐内容完全被忽视。因此,在这些情境下产生的日志数据中,一个奖赏为零的反馈并不一定代表负反馈（即不符合用户兴趣）,而有可能是无反馈（即未被观测）。当每次只有一个物品推荐给用户并且没有其他多余上下文信息时,区分负反馈和无反馈变得更加棘手。大多数已有推荐策略都忽视了负反馈和无反馈之间的区别,他们将所有历史数据都当作有效反馈数据,并使用所有的历史数据训练用户模型。事实上,由于用户稀疏交互的高发性,所有历史数据中包含了很大... 

【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

图２－１：新闻推荐??ＬｉｎＵＣＢ中假设?

图２－２：信号分解??傅里叶变换的基本原理是：任意一个复杂的信号都能够被分解为多个正弦??函数的叠加。如图２－２所示，黑色的线代表的是原始复杂信号，看起来并不规??律，没有周期性；而其他颜色的线均为分解得到的正弦信号，各自周期不同。??我们可以看到很多的止弦丨／ｉ兮共同组成一个复杂的原始信号。ｉｆ：弦函数使用??地越多，我们就可以越精确地拟合原始Ｕ号。??

计算机只能处理离散形式的数据，因此，离散傅里叶变换可以被用于这种??离散信号的变换。离散傅里叶变换是傅里叶变换的一种离散形式，在时域和频??域上都是离散的形式。在普通信号处理中，信号是连续的。如图２－３所示，原??始信号为蓝线所示，但这种连续的信号无法被计算机处理。所以，我们需要通??过采样技术，从原始信号中采用得到离散值从而传输给计算机。通常我们采用??的采样技术为等间隔采样，也就是每隔一个固定的间隔对原始信号进行采样，??如图中橘色虚线所示，记录每次采样对应的信号值，最终得到的一个时间序列??为离散值序列，可以交由计算机进行处理。对离散信号值进行傅里叶变换的过??程，我们称为离散傅里叶变换。??－°－５?｜?ｉ｜／??－１．０??０?１?２?３?４?５?—?＂Ｔ—??图２－３：信号离散化??２．４．１．３快速傅里叶变换及反傅里叶变换??快速傅里叶变换（Ｆａｓｔ?Ｆｏｕｒｉｅｒ?Ｔｒａｎｓｆｏｒｍ，?ＦＦＴ）?１４７１是离散傅里叶变换的快??速算法


本文编号：3088221