基于特征关联的特征识别与推荐算法研究
发布时间：2021-04-10 23:55
随着物联网的发展和大数据时代的到来,数据爆炸式增长导致信息过载等问题,使传统的推荐系统逐渐转型为个性化推荐系统。个性化推荐算法通过构建用户画像和预测用户行为来提供信息过滤和推荐服务。在以大数据为背景下的推荐系统中,领域推荐技术的数据构成日趋复杂,呈现出海量异构数据、数据特征缺失、数据特征异常和数据特征关联等新特征。这些特征从问题规模、特征缺失程度、异常特征状态和关联关系等方面对推荐算法提出了新的需求和挑战。为此,本文开展基于特征关联的特征识别、预测与推荐算法研究。主要包含以下几个方面:（1）特征关系的分类关联规则启发式挖掘算法与特征匹配算法。基于海量数据隐藏的关联关系,重点研究面向推荐算法的数据本身隐式的分类关联规则。引入分类及连续的数据特征属性并离散化,扩展数据特征的二元表示,确保数据特征属性的多样性。为了挖掘数据中某些关联特征,研究基于最小支持度的启发式特征挖掘方法,发现关联特征的频繁性及构建最优特征子集。基于数据特征频繁项,研究基于最小置信度的启发式分类关联规则挖掘算法,为不同情景模式下,进行基于分类关联规则的特征匹配。利用机器学习库中健康医疗情景实验数据进行实验验证与分析,验证...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
IDC公司关于全球数据空间大小的年度预测报告Fig.1-1TheannualsizeoftheglobaldataspherefromIDCforecastreport
第1章绪论-17-成融合技术与系统开发（2012AA02A601）”。针对现有特征识别及预测和推荐算法在应对特定情景环境下存在的问题，本文研究特定领域环境下的特征识别及预测和推荐算法问题，讨论如何在特定领域不同数据特征场景下，根据已有数据特征关联性及相应的应用环境需求，对特征识别及预测和推荐算法的模型构建进行合理的设计，以最大化满足个性化推荐和特征识别准确性。实现模型构建的难点在于对于数据特征关联性、数据特征缺失程度、数据特征异常范围、数据特征稀疏性和异构性的界定和预处理方式。为系统化的提高特征识别及预测和推荐算法的准确率，本文提出基于特征关联的特征识别及预测和推荐算法模型与框架，分别从特征关联性、特征缺失性和特征异常性三方面入手，分情景加以解决。本文研究的背景、问题、内容和方案如图1-2所示。图1-2本文主要研究内容的体系架构Fig.1-2Thearchitectureofmainresearchcontents算法的主要思路和具体研究内容如下：（1）基于特征关系的分类关联规则挖掘与特征匹配算法。通过贝叶斯网络特征关系马尔科夫独立性推理分析，计算领域数据特征属性隐藏的关联关系。利用关联性分析技术对数据特征属性进行频繁特征项集挖掘，重点研究面向特征匹配和推荐的数据本身隐式的分类关联规则。引入分类及连续的数据特征属性扩展数据特征的二元表示模式，确保数据特征项的多样性。为了发掘数据中某些关联特征，研究基于最小支持度的启发式特征挖掘方法，发现关联特征的频繁性及构建最优特征子集。基于数据特征频繁项，研究基于最小置信度的启发式分类关联规则挖掘
第1章绪论-19-法；进而提出针对数据特征缺失的特征识别策略；考虑到数据间的隐式反馈特性，提出基于加权用户的协同过滤特征识别算法；为证明模型的有效性及可表征性，基于无向概率图的马尔科夫独立性推理分析，给出面向预测的特征属性模型的可表征理论证明；最后，提出基于隐式反馈的协同过滤预测算法。图1-3论文主要研究内容及其关系示意图Fig.1-3Mainresearchcontentsandtheirrelationshipofthethesis第4章研究基于卷积神经网络的数据异常特征识别与预测算法。在时序序列数据中，基于离散傅里叶变换将时序序列离散为频域信号并进行规则化处理；为保证推荐结果的完整性，基于线性基准模型特征识别方法识别异常特征；研究数据的特征提取方法，为减小数据集的规模，采用深度学习技术对将复杂的图模式数据降维处理，转换成机器可识别的时频序列数据，并基于神经网络模型，研究深层次的数据异常特征识别方法，使之能够适应时间序列数据前后依存的关系。第5章研究基于级联加权的混合个性化推荐算法。首先，分析领域中不同情景模式下的用户需求，提出基于分类树的相似用户发现算法，粗粒度计算相似用户范围；其次，根据筛选出的相似用户列表，基于内容的相似用户发现算法，细粒度计算相似用户；然后，基于关联规则的个性化特征匹配算法，与细粒度的计算结果进行加权计算，形成最终相似用户推荐列表；最后，明确用户的问题需求和优化方法，提出基于多用户的层次分析决策推荐形式化方法。最后给出结论，并提出进一步的研究和展望。
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[3]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
[4]满足均匀分布的不确定数据关联规则挖掘算法[J]. 陈爱东,刘国华,费凡,周宇,万小妹,貟慧. 计算机研究与发展. 2013(S1)
[5]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[6]中西医结合治疗方案对急性缺血性脑卒中患者神经功能缺损和致残结局的影响[J]. 谢仁明,陈红霞,谢雁鸣,郭友华,冯碧君,欧海宁,詹乐昌,张丽萍. 中国中西医结合杂志. 2011(09)
[7]中国成人血脂异常防治指南（2007）概要与解读[J]. 许海燕,顼志敏,陆宗良. 中华老年心脑血管病杂志. 2008(03)
本文编号：3130564
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：131 页
【学位级别】：博士
【部分图文】：
IDC公司关于全球数据空间大小的年度预测报告Fig.1-1TheannualsizeoftheglobaldataspherefromIDCforecastreport
第1章绪论-17-成融合技术与系统开发（2012AA02A601）”。针对现有特征识别及预测和推荐算法在应对特定情景环境下存在的问题，本文研究特定领域环境下的特征识别及预测和推荐算法问题，讨论如何在特定领域不同数据特征场景下，根据已有数据特征关联性及相应的应用环境需求，对特征识别及预测和推荐算法的模型构建进行合理的设计，以最大化满足个性化推荐和特征识别准确性。实现模型构建的难点在于对于数据特征关联性、数据特征缺失程度、数据特征异常范围、数据特征稀疏性和异构性的界定和预处理方式。为系统化的提高特征识别及预测和推荐算法的准确率，本文提出基于特征关联的特征识别及预测和推荐算法模型与框架，分别从特征关联性、特征缺失性和特征异常性三方面入手，分情景加以解决。本文研究的背景、问题、内容和方案如图1-2所示。图1-2本文主要研究内容的体系架构Fig.1-2Thearchitectureofmainresearchcontents算法的主要思路和具体研究内容如下：（1）基于特征关系的分类关联规则挖掘与特征匹配算法。通过贝叶斯网络特征关系马尔科夫独立性推理分析，计算领域数据特征属性隐藏的关联关系。利用关联性分析技术对数据特征属性进行频繁特征项集挖掘，重点研究面向特征匹配和推荐的数据本身隐式的分类关联规则。引入分类及连续的数据特征属性扩展数据特征的二元表示模式，确保数据特征项的多样性。为了发掘数据中某些关联特征，研究基于最小支持度的启发式特征挖掘方法，发现关联特征的频繁性及构建最优特征子集。基于数据特征频繁项，研究基于最小置信度的启发式分类关联规则挖掘
第1章绪论-19-法；进而提出针对数据特征缺失的特征识别策略；考虑到数据间的隐式反馈特性，提出基于加权用户的协同过滤特征识别算法；为证明模型的有效性及可表征性，基于无向概率图的马尔科夫独立性推理分析，给出面向预测的特征属性模型的可表征理论证明；最后，提出基于隐式反馈的协同过滤预测算法。图1-3论文主要研究内容及其关系示意图Fig.1-3Mainresearchcontentsandtheirrelationshipofthethesis第4章研究基于卷积神经网络的数据异常特征识别与预测算法。在时序序列数据中，基于离散傅里叶变换将时序序列离散为频域信号并进行规则化处理；为保证推荐结果的完整性，基于线性基准模型特征识别方法识别异常特征；研究数据的特征提取方法，为减小数据集的规模，采用深度学习技术对将复杂的图模式数据降维处理，转换成机器可识别的时频序列数据，并基于神经网络模型，研究深层次的数据异常特征识别方法，使之能够适应时间序列数据前后依存的关系。第5章研究基于级联加权的混合个性化推荐算法。首先，分析领域中不同情景模式下的用户需求，提出基于分类树的相似用户发现算法，粗粒度计算相似用户范围；其次，根据筛选出的相似用户列表，基于内容的相似用户发现算法，细粒度计算相似用户；然后，基于关联规则的个性化特征匹配算法，与细粒度的计算结果进行加权计算，形成最终相似用户推荐列表；最后，明确用户的问题需求和优化方法，提出基于多用户的层次分析决策推荐形式化方法。最后给出结论，并提出进一步的研究和展望。
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[3]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
[4]满足均匀分布的不确定数据关联规则挖掘算法[J]. 陈爱东,刘国华,费凡,周宇,万小妹,貟慧. 计算机研究与发展. 2013(S1)
[5]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[6]中西医结合治疗方案对急性缺血性脑卒中患者神经功能缺损和致残结局的影响[J]. 谢仁明,陈红霞,谢雁鸣,郭友华,冯碧君,欧海宁,詹乐昌,张丽萍. 中国中西医结合杂志. 2011(09)
[7]中国成人血脂异常防治指南（2007）概要与解读[J]. 许海燕,顼志敏,陆宗良. 中华老年心脑血管病杂志. 2008(03)
本文编号：3130564
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3130564.html
