基于集成学习的推荐模型研究
发布时间：2020-08-07 09:15
【摘要】：近年来随着互联网技术的发展,用户每天面对成千上万的信息,然而如何从丰富的信息中选择有用的信息却成为一个难题。而推荐系统旨在通过解决信息过载问题为用户提供个性化服务,本文立足于矩阵分解推荐算法,对联合聚类的矩阵近似算法进行深入研究,本文的研究工作总结如下:首先,基于将原始评分矩阵分解为两个低秩用户、物品潜在因子矩阵重表示的思想,采用似然函数最大化的思想迭代更新用户物品潜在因子矩阵。本文在传统概率矩阵分解模型基础上提出自适应权重概率矩阵分解模型(Adaptive Weight Matrix Factorization,AWMF),通过引入服从拉普拉斯分布的权重向量,学习用于预测评分正确性的权重向量,即预测准确率高的用户具有较高的权重。其次,深入研究Boosting理论,借助提升方法采用加法模型以及前向分步算法的思想构建基于Boosting的矩阵近似推荐算法。使用Boosting思想融合不同秩的评分预测矩阵,Boosting框架融合的基模型(自适应权重概率矩阵分解模型AWMF)是一个以平方误差为损失函数的回归问题,旨在得到与真实评分相近的预测评分。然后,构建了融合整体与局部信息的矩阵近似推荐模型。由于传统的矩阵近似方法主要考虑评分矩阵的整体结构信息,而没有考虑用户的局部强相关性,因此本文提出联合聚类思想的矩阵近似算法。对原始评分矩阵的用户、物品进行聚类,并通过迭代生成的多个模板预测最终的评分。基于用户的评分信息,采用聚类的思想划分用户评分矩阵为局部强相关性评分块。在上文提出的Boosting框架的基础上,构建联合聚类思想的矩阵近似推荐模型,对原始评分矩阵中的空缺值进行预测。最后,为了验证本文构建的两个基于Boosting框架的矩阵近似推荐模型推荐性能,将其在标准推荐数据集上进行交叉验证并分析对比试验结果。实验结果表明本文提出的基于Boosting的矩阵近似算法具有较好的推荐性能,根据本文构建的概率图模型得到的两个矩阵近似算法均不同程度地提升了推荐性能。
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;TP181
【图文】：
逦引言逡逑荐。图１－１展现的是推荐的典型案例，亚马逊商城根据用户之前浏览过机器学习相逡逑关书籍的历史记录进行推荐的实例。逡逑随着电子商务市场的成熟，用户规模以及产品数量得到飞速发展，可以解决逡逑信息过载的个性化推荐算法受到越来越多的人关注。就算法层面而言，主流的个逡逑性化推荐算法主要可以分为三大类（如图１－２）：基于协同过滤的推荐方法［１６－１８］，逡逑基于内容的推荐混合推荐。其中利用“群体智慧”的基于协同过滤的推荐逡逑方法ｔ２１ｌ是在工业领域中最基础且应用最广泛的推荐算法。相对而言，基于协同过逡逑滤的推荐算法又可以分为三种：基于矩阵分解的协同过滤算法，基于用户的协同逡逑过滤算法以及基于项目的协同过滤算法。基于矩阵分解的协同过滤算法自Ｎｅｔｆｌｉｘ逡逑Ｐｒｉｃｅ竞赛大放异彩之后，成为协同过滤算法中的主流算法。近年来，矩阵分解算逡逑法由于思路简单易于理解，稳定性高，可扩展性强等优点成为当下研[偟娜鹊恪ｅ义暇卣蠓纸馑惴ǎ郏玻病恐饕墙计婪志卣笥玫臀没А⑽锲非痹谝蜃泳卣蠼兄乇礤义鲜荆郏玻玻玻常荨ｅ义贤萍鏊惴ㄥ义
本文编号：2783782
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.3;TP181
【图文】：
逦引言逡逑荐。图１－１展现的是推荐的典型案例，亚马逊商城根据用户之前浏览过机器学习相逡逑关书籍的历史记录进行推荐的实例。逡逑随着电子商务市场的成熟，用户规模以及产品数量得到飞速发展，可以解决逡逑信息过载的个性化推荐算法受到越来越多的人关注。就算法层面而言，主流的个逡逑性化推荐算法主要可以分为三大类（如图１－２）：基于协同过滤的推荐方法［１６－１８］，逡逑基于内容的推荐混合推荐。其中利用“群体智慧”的基于协同过滤的推荐逡逑方法ｔ２１ｌ是在工业领域中最基础且应用最广泛的推荐算法。相对而言，基于协同过逡逑滤的推荐算法又可以分为三种：基于矩阵分解的协同过滤算法，基于用户的协同逡逑过滤算法以及基于项目的协同过滤算法。基于矩阵分解的协同过滤算法自Ｎｅｔｆｌｉｘ逡逑Ｐｒｉｃｅ竞赛大放异彩之后，成为协同过滤算法中的主流算法。近年来，矩阵分解算逡逑法由于思路简单易于理解，稳定性高，可扩展性强等优点成为当下研[偟娜鹊恪ｅ义暇卣蠓纸馑惴ǎ郏玻病恐饕墙计婪志卣笥玫臀没А⑽锲非痹谝蜃泳卣蠼兄乇礤义鲜荆郏玻玻玻常荨ｅ义贤萍鏊惴ㄥ义
本文编号：2783782
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2783782.html
