面向个性化搜索的交互式分布估计算法

发布时间：2024-05-30 01:58

　　个性化搜索问题是一类无法明确定义目标函数、普遍存在、难以求解的定性指标优化问题,传统基于明确定义目标函数的智能优化算法不再适用,融合用户个性化交互信息的交互式进化优化是解决上述问题的可行方法。现有基于交互式进化优化的个性化搜索多将搜索对象视为有限属性的组合,采用简单的数值编码方式,将其转化为组合优化模态,然后采用遗传算法求解。这些方法尚没有拓展其他模式的智能优化机制、未充分利用待搜索对象的领域知识、忽略了个性化搜索对象包含的大量文本信息,以及个性化搜索所特有的隐私保护需求等。针对上述问题,开展本文研究工作,主要内容如下:(1)领域知识驱动的快速交互式分布估计算法:针对个性化搜索中待搜索商品数值型表示所导致搜索空间稀疏的问题,首先,基于用户输入的检索词,确定用户偏好属性已知和未知的空间;利用用户历史搜索信息及其交互搜索对象,采用贝叶斯概率模型,进一步缩减用户可能感兴趣属性组合空间,做为初始搜索空间;采用区间数量化用户交互行为的偏好表示,构建基于RBF神经网络的偏好模型,实现对搜索个体的适应值估计和优势个体选择;给出基于贝叶斯概率模型的交互式分布估计算法。通过在笔记本电脑个性化搜索中与采用...

【文章页数】：148 页

【学位级别】：博士

【部分图文】：

图1–1本文研究对象Figure1–1ResearchObjectives

图1–1本文研究对象Figure1–1ResearchObjectives图1–1给出了本文各章节内容对应的研究对象，其与研究内容间的关系依照推荐系统研究的分类标准，第三章以及第四章所提出的求解数值型、文本型个性化搜索问题的交互式分布估计算法皆可划入基于内容的方法之列，第三....

图2–1非个性化搜索图解Figure2–1IllustrationofNon-PersonalizedSearch

图2–1非个性化搜索图解Figure2–1IllustrationofNon-PersonalizedSearch价列表给平台，平台根据此列表删除已评价商品。图中的迭代循环反复执行直到用户在判断执行时，终止当前搜索服务。2.1.2个性化搜索互联网巨头Google于20....

图2–2个性化搜索图解Figure2–2IllustrationofPersonalizedSearch

图2–2个性化搜索图解Figure2–2IllustrationofPersonalizedSearch法(IncrementalEDAs)。这里仅给出更为相关的增量EDA的主要框架[24–27]对EDA的更详细综述，参见第2.3节。(1)针对某个求解问题，也称目标....

图3–1领域知识驱动的快速交互式分布估计算法流程Figure3–1FrameworkofDK-FIEDA3.4.2算法描述

图3–1领域知识驱动的快速交互式分布估计算法流程Figure3–1FrameworkofDK-FIEDA描述介绍了领域知识提取与利用，本小节具体给出本章部分的详细介绍。互的偏好代理模型搜索中代理模型的构建主要需要考虑样本收新，其中....

本文编号：3984405