非完备多源结构化知识迁移的跨域推荐方法研究

发布时间：2022-12-22 18:28

　　移动互联时代的网络规模快速增长和业务广泛覆盖面带来了“信息超载”问题,过量消息同时呈现增加了用户获取所需信息的成本。尽管传统搜索引擎一定程度上解决了数据检索需求,但仍然无法满足不同时期、不同背景、不同目的用户的个性化信息诉求,从而不能真正高效地处理超载问题。推荐系统作为一种有效的数据过滤手段,是实现个性化推送服务,帮助用户提高决策效率,从而解决信息超载问题的核心方法。协同过滤一方面作为推荐系统的关键算法在面临稀疏数据时性能会急剧下降,另一方面超过95%稀疏度的数据在实际应用中又广泛存在。因此,如何缓解数据稀疏性导致的性能退化问题是目前推荐系统面临的主要挑战之一。近年来,一些研究人员尝试应用迁移学习方法来缓解传统单领域协同过滤的数据稀疏性并取得了重要进展。迁移学习是解决目标任务标注数据稀缺的基础方法,目前已经得到学术界的广泛关注,但其研究仍处于富有挑战的阶段。本文面向领域间无用户和项目重叠的跨领域推荐任务,系统性研究了基于评分模式分享的迁移学习在跨领域推荐中的问题挑战及其解决方法。迁移学习中,欠拟合、过拟合、不适配、非完备、负迁移等关键问题与挑战交错叠加给推荐系统的研究带来了全新的困难。... 

【文章页数】：185 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
        1.1.1 理论价值
        1.1.2 应用价值
    1.2 问题描述
        1.2.1 领域的定义
        1.2.2 跨领域推荐的任务
        1.2.3 定义迁移学习
        1.2.4 跨领域推荐目标
        1.2.5 跨领域推荐环境
    1.3 国内外研究现状
        1.3.1 协同过滤
        1.3.2 矩阵分解
        1.3.3 迁移学习
        1.3.4 上下文感知推荐
    1.4 有待研究的问题
    1.5 研究内容与主要贡献
    1.6 本文组织结构
第2章 非完备正交非负矩阵三分解
    2.1 引言
        2.1.1 ONMTF方法
        2.1.2 数据分析
    2.2 非完备正交非负矩阵三分解
        2.2.1 问题定义
        2.2.2 优化方法
        2.2.3 算法概述
        2.2.4 收敛性分析
        2.2.5 计算复杂度
    2.3 实验
        2.3.1 数据配置
        2.3.2 评价指标
        2.3.3 对照基线
        2.3.4 实验结果
        2.3.5 结果分析
    2.4 小结
第3章 低维表征潜在因子选择算法
    3.1 引言
        3.1.1 CBT模型
        3.1.2 迁移矩阵与迁移学习
        3.1.3 K-means聚类的k值
    3.2 低维表征潜在因子选择算法
        3.2.1 问题定义
        3.2.2 算法概述
        3.2.3 计算复杂度
    3.3 实验
        3.3.1 数据配置
        3.3.2 参数配置
        3.3.3 实验结果与分析
    3.4 LLS算法改进
        3.4.1 修改codebook初始规模
        3.4.2 LLS-弹性算法
        3.4.3 实验结果
    3.5 小结
第4章 正则化多源迁移模型
    4.1 引言
    4.2 多源迁移模型
        4.2.1 问题定义
        4.2.2 正则化多元迁移模型
        4.2.3 优化方法
        4.2.4 算法概述
        4.2.5 计算复杂度
    4.3 实验
        4.3.1 数据配置
        4.3.2 评价指标
        4.3.3 对照基线
        4.3.4 实验配置
        4.3.5 实验结果与分析
    4.4 小结
第5章 修正学习与场景修正模型
    5.1 引言
    5.2 场景修正模型
        5.2.1 问题定义
    5.3 簇评分偏移趋势修正框架
        5.3.1 评分偏移矩阵
        5.3.2 关系矩阵
        5.3.3 修正函数
        5.3.4 计算复杂度
        5.3.5 负迁移问题
        5.3.6 迁移学习与修正学习
    5.4 实验
        5.4.1 数据配置
        5.4.2 算法配置
        5.4.3 实现细节
        5.4.4 实验结果与分析
    5.5 小结
第6章 多梯度层修正模型
    6.1 引言
        6.1.1 多视图方法
        6.1.2 修正学习中的多视图
        6.1.3 本章贡献
    6.2 多梯度层修正模型
        6.2.1 问题定义
        6.2.2 用户视角与项目视图
        6.2.3 项目视角与用户视图
        6.2.4 环境视图
        6.2.5 动态阈值学习
        6.2.6 算法概述
        6.2.7 并行性分析
        6.2.8 计算复杂度
    6.3 实验
        6.3.1 数据配置
        6.3.2 评价标准
        6.3.3 实验配置
        6.3.4 算法配置
        6.3.5 并行化实现与优化
        6.3.6 实验结果与分析
    6.4 小结
第7章 潜在因子修正模型
    7.1 引言
    7.2 潜在因子修正模型
        7.2.1 问题定义
        7.2.2 低维表征分析
        7.2.3 局部适配的非负矩阵分解
        7.2.4 收敛性分析
        7.2.5 算法概述
        7.2.6 计算复杂度
    7.3 实验
        7.3.1 数据配置
        7.3.2 实验结果
        7.3.3 结果分析
    7.4 小结
第8章 总结与展望
    8.1 本文总结
    8.2 未来工作展望
参考文献
攻读硕士学位期间发表的学术论文
致谢


【参考文献】：
期刊论文
[1]MINDTL: Multiple Incomplete Domains Transfer Learning for Information Recommendation[J]. Ming He,Jiuling Zhang,Jiang Zhang.  中国通信. 2017(11)
[2]一种新的用于跨领域推荐的迁移学习模型[J]. 王俊,李石君,杨莎,金红,余伟.  计算机学报. 2017(10)
[3]迁移近邻传播聚类算法[J]. 杭文龙,蒋亦樟,刘解放,王士同.  软件学报. 2016(11)
[4]一种基于跨领域典型相关性分析的迁移学习方法[J]. 张博,史忠植,赵晓非,张建华.  计算机学报. 2015(07)
[5]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)

博士论文
[1]迁移学习问题与方法研究[D]. 龙明盛.清华大学 2014



本文编号：3723810