基于排序学习的Top-N推荐算法研究

发布时间：2017-03-22 19:07

  本文关键词：基于排序学习的Top-N推荐算法研究，，由笔耕文化传播整理发布。

【摘要】：随着数据时代的到来,人们面临的“信息过载”问题愈发严重,主动辅助人们获取信息的搜索引擎已经无法满足人们在不同背景、不同目的、不同时期下的个性化信息需求,而推荐系统作为个性化研究领域的分支,能够从海量的数据中寻找与用户相关的信息进行推荐,有效地“信息过载”问题带来的信息生产和信息获取不平衡的矛盾。目前,推荐系统的研究受到众多来自不同学科领域学者的关注,并取得了很大的进展,然而随着推荐场景的复杂化,推荐系统面临的挑战和问题依然需要不断地深入研究和优化解决。本文主要围绕如何提高Top-N推荐效果,解决推荐时效性问题和平衡推荐准确性与多样性效果等展开研究,研究的主要内容及结果如下:1.将推荐问题转化为排序问题,构建以排序学习为基础的推荐算法框架,利用排序学习方法的优势去解决多特征维度的推荐问题可以有效地组合多种推荐模型并自动优化模型权重参数,提高推荐效果。2.在基于排序学习的推荐算法框架之上,融合其他推荐算法和模型,针对特定场景形成混合推荐模型,提高推荐的精度。本文将排序学习模型与ListRank-MF模型进行融合,充分结合模型的各自优点,实验结果证明有效地提高了推荐精度。3.本文提出一种基于熵的多样性特征建模方法,利用熵有效地表达多样性特征,使多样性刻画的粒度细化到用户和物品的属性,实验结果表明该模型可以有效地平衡推荐的准确性和多样性。4.本文研究了排序学习模型下特征选择的算法,在提取隐含特征和评分特征后,进行特征选择,降低数据特征的维度,提高排序模型学习的效率。本文实验结果显示,进行特征选择后,经过少量的迭代后模型便开始收敛,并能一定程度提高推荐的精度。5.针对推荐系统的时效性问题,本文分析总结了推荐的时效性影响因子,并对基于排序学习的基础推荐框架进行扩展优化,提出最近反馈排序模型,以引入时效思想。实验结果表明,将用户最近的反馈信息与基础推荐结果进行二次排序后,可以有效地提高推荐的精度。此外,本文也探索了最近反馈排序模型与在线学习的结合应用,模拟实验结果显示模型在线实时迭代更新后,仍能具有较高的推荐精度。
【关键词】：Top-N推荐 排序学习 多样性 熵 最近反馈 在线学习
【学位授予单位】：北京理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-13
• 第1章 绪论13-19
• 1.1 本文研究的目的和意义13-14
• 1.2 国内外研究现状及发展趋势14-16
• 1.3 本文主要研究内容16-17
• 1.4 本文组织结构17-18
• 1.5 本章小结18-19
• 第2章 推荐系统的相关理论研究19-32
• 2.1 Top-N推荐系统19-27
• 2.1.1 推荐系统的形式化描述19-20
• 2.1.2 常用推荐算法分析20-26
• 2.1.3 常用评测方法和指标26-27
• 2.2 排序学习概述27-31
• 2.2.1 排序学习形式化描述28-29
• 2.2.2 排序学习方法29-30
• 2.2.3 排序学习评价指标30-31
• 2.3 本章小结31-32
• 第3章 基于排序学习的Top-N推荐框架32-41
• 3.1 基于排序学习的推荐模型32-34
• 3.1.1 推荐问题转化32-33
• 3.1.2 推荐框架建立33-34
• 3.2 ListRank-MF模型融合34-35
• 3.3 基于评分的特征定义35-36
• 3.4 基于熵的多样性特征模型36-38
• 3.4.1 推荐的多样性36-37
• 3.4.2 多样性倾向分析37
• 3.4.3 多样性特征建模37-38
• 3.5 特征选择38-40
• 3.6 特征融合40
• 3.7 本章小结40-41
• 第4章 基于排序学习的Top-N推荐算法优化41-48
• 4.1 推荐系统的时效性41-42
• 4.2 最近反馈排序模型42-44
• 4.2.1 反馈模型设计42-43
• 4.2.2 反馈信息建模43-44
• 4.3 在线学习44-47
• 4.3.1 FTRL算法45-46
• 4.3.2 在线学习应用46-47
• 4.4 本章小结47-48
• 第5章 本文算法的实验及结果分析48-62
• 5.1 实验条件48-50
• 5.1.1 实验采用数据集48
• 5.1.2 实验的评测指标48-49
• 5.1.3 实验环境说明49-50
• 5.2 基于排序学习的推荐模型验证实验50-57
• 5.2.1 常用推荐算法实验50-52
• 5.2.2 模型的推荐有效性验证52-53
• 5.2.3 模型的多样性效果验证53-54
• 5.2.4 特征选择分析实验54-56
• 5.2.5 模型性能对比实验56-57
• 5.3 最近反馈排序模型与在线学习实验结果57-61
• 5.3.1 模拟实验设计57-58
• 5.3.2 最近反馈排序模型实验结果58-60
• 5.3.3 在线学习应用效果分析实验60-61
• 5.4 本章小结61-62
• 结论62-64
• 参考文献64-69
• 攻读学位期间发表的论文与研究成果清单69-70
• 致谢70

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q

本文编号：262010