基于自步学习的兴趣点（POI）推荐技术研究

发布时间：2021-08-01 05:14

　　随着第四代移动网络的快速发展以及内置定位系统的完善,使得一些社交媒体平台可以便捷的获取用户的位置信息。而用户也可以根据自己的偏好将访问地点的相关信息分享在社交平台上。由此向用户推荐感兴趣的地点（POI）成为了推荐领域下的一个热门方向,越来越多的研究者提出了先进的同时具有实际应用意义的POI推荐算法。然而有些经典的推荐算法经常会面临非凸优化问题,例如矩阵分解、神经网络等。尤其是在噪声数据或者异常值的影响下,会导致推荐算法表现效果不佳。为了解决这一问题,本文尝试将自步学习的理念引入推荐算法中,并在真实的数据集下研究观察其可行性。自步学习是一种新的模型学习方式,它采用了我们日常生活学习新事物的思想,将模型训练样本的过程,变成由简至繁的过程,从而提高模型的效果。本文主要研究自步学习的特性,然后结合POI推荐领域的一些具有代表性的算法,深入研究自步学习在推荐算法上的应用,以缓解噪声数据对模型的影响,进而提高推荐的效果。本文主要的研究工作和创新点如下:（1）为了分析自步学习的特性,我们结合传统矩阵分解算法,证实了在噪声数据的影响下,自步学习确实可以帮助矩阵分解达到一个很好的效果。同时我们在真实数据... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

课程学习

自步学习样例

电子科技大学硕士学位论文12品向量的内积表示用户对该物品的偏好。以评分预测任务为例，如表2-1所示，通常将用户和物品的交互行为表示为矩阵的形式，矩阵中某个元素表示用户对物品的评分，一般取值为1-5，“？”表示用户对该物品不存在行为记录。在推荐系统中评分预测任务相当于是一个将用户物品矩阵补全的任务，即通过学习矩阵中已经存在的数据来预测用户对未进行交互物品的评分。需要注意的是现实生活中这个矩阵是非常稀疏的，正常情况下稀疏度可以达到90%以上。所以如何充分学习利用已有用户物品的交互记录去预测未曾交互的行为是推荐系统评分预测任务中的关键问题。表2-1评分矩阵12241435？2421？33？24444？？52135推荐系统中的评分预测任务可以看成是对用户物品交互矩阵进行填空补全的任务，而矩阵分解技术是解决这个任务最常见的手段。矩阵分解的目标是通过机器学习的方式将用户物品矩阵中的缺失的数据进行填补，最终可以达到推荐的目的。具体来说，假设用户物品的评分矩阵为R∈×，R是m×n维的表示含有m个用户、n个物品。然后为了将R分解为用户矩阵U和物品矩阵S，开始选择随机初始化这两个低秩矩阵，而这两个矩阵的简单内积就是我们的预测矩阵，之后通过机器学习的方式不断迭代训练优使得预测矩阵与原始矩阵的差值越来越小，如图2-4所示。图2-4简单的矩阵分解模型而在机器学习中我们一般通过最小化误差函数来获得目标U和S，一般采用最小平方误差：


本文编号：3314886