基于标签映射和迁移学习的跨域推荐算法研究

发布时间：2022-07-19 13:55

　　随着计算机硬件与软件技术的快速发展,互联网已经进入Web2.0时代,互联网应用由此大量诞生,与此同时产生了巨量的非结构化数据,如何挖掘这些数据的潜在价值已经成为了越来越多学者的研究内容。在一些数据驱动型应用中,“信息过载”的问题经常出现,例如在电子商务领域,用户面对庞大的商品列表,应该如何做出选择,如何获取最有效的信息,而企业又应该将哪些信息展现给用户,展现的信息是否是用户所感兴趣的,这些问题常常给双方带来困扰。为了解决这些挑战,推荐系统应运而生。推荐系统的基本核心是从用户信息,物品信息以及用户与物品的交互信息中挖掘内在关联和潜在特征,从而联系用户和物品,以满足为用户推荐物品等具体工业需求。在传统单域推荐算法中,基于邻域的算法最先被提出来,但其只考虑用户与物品间的交互信息,而这种交互信息在很多场景中是不足的,难以处理日益增长的数据带来的数据稀疏性问题。因此需要挖掘更多相关附加信息并构建更优雅的模型来完善推荐效果,结合物品属性和用户属性的推荐方法被证明是有效的,本文将从其中的社会化标签的维度来研究如何提升推荐效果。在跨领域的推荐系统中,推荐系统的另一个挑战是冷启动问题,其中如何敏捷地捕获... 

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文的主要工作
    1.4 本文的组织结构
第二章 相关概念和技术
    2.1 推荐算法基础
        2.1.1 相似度度量
        2.1.2 基于邻域的推荐算法
        2.1.3 基于模型的推荐算法
    2.2 标签系统
        2.2.1 社会化标签
        2.2.2 结合标签的推荐算法
    2.3 跨域推荐
        2.3.1 领域与跨域概念
        2.3.2 跨领域的数据关联
        2.3.3 跨域算法分类
        2.3.4 跨域推荐算法
    2.4 推荐系统的评价方式
        2.4.1 对于TopN问题
        2.4.2 对于评分问题
    2.5 本章小结
第三章 标签跨域推荐模型
    3.1 问题定义与分析
        3.1.1 问题定义
        3.1.2 问题分析
    3.2 标签迁移聚类
        3.2.1 标签的向量化表示
        3.2.2 源领域标签聚类
        3.2.3 目标域标签迁移
        3.2.4 生成标签主题概率矩阵
    3.3 主题因子分解机
        3.3.1 特征组合
        3.3.2 模型构建
        3.3.3 评分预测计算
    3.4 本章小结
第四章 实验分析
    4.1 实验设置
        4.1.1 实验环境
        4.1.2 数据集
        4.1.3 评价指标
    4.2 标签迁移实验
        4.2.1 数据预处理
        4.2.2 标签维度和主题数量的影响
    4.3 主题因子分解机实验
        4.3.1 标签最大值采样的影响
        4.3.2 嵌入层神经元数量的影响
        4.3.3 标签重叠度的影响
    4.4 对比实验分析
        4.4.1 对比方法
        4.4.2 对比结果
    4.5 本章小结
第五章 总结与展望
    5.1 研究总结
    5.2 研究展望
致谢
参考文献


【参考文献】：
博士论文
[1]个性化推荐的可解释性研究[D]. 张永锋.清华大学 2016



本文编号：3663536