面向用户偏好建模的隐变量模型在线学习方法

发布时间：2021-01-29 20:40

　　随着移动互联网的高速发展,电子商务和在线社交网络等Web2.0应用快速普及,随之产生了海量且动态变化的用户行为数据。用户评分数据是一种重要的用户行为数据,反映了用户对相关产品或服务的喜好程度。通过分析这些用户评分数据并建立用户偏好模型,能够为精准广告推荐、用户画像等个性化服务提供重要的数据和技术基础,且具有重要意义。近年来,许多研究人员提出了利用隐变量模型构建用户偏好模型的方法,以描述评分数据中的隐含知识,从而简化模型和增强模型的可解释性。含隐变量贝叶斯网（Bayesian network with a latent variable,BNLV）作为隐变量模型的一种,能够通过隐变量描述隐含在评分数据中的用户偏好,并且可以描述评分数据中属性间任意形式依赖关系及不确定性。传统的隐变量模型构建方法通常基于批量训练模式的机器学习算法,其假设所有评分数据在整个训练过程中可用。然而,数据通常按顺序到达,用户偏好可能会动态变化,用户产生的评分数据数量也会随着时间的推移而逐渐减少。评分数据稀疏和实时的特性,使得基于批量训练模式的偏好建模算法难以适应现实世界的在线应用。综上所述,本文的主要研究内容概括如... 

【文章来源】：云南大学云南省 211工程院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图１．２评分频数随时间变化的例子??大多数用于用户偏好建模的传统算法［２４＇３８＇?４８］是通过批量训练的方式进行的，??２??

图SJ用户偏好发现的召回率

图5月用户偏好发现的准确率

【参考文献】：
期刊论文
[1]基于贝叶斯网的评价数据分析和动态行为建模[J]. 王飞,岳昆,孙正宝,武浩,冯辉.  计算机研究与发展. 2017(07)
[2]Preference transfer model in collaborative filtering for implicit data[J]. Bin JU,Yun-tao QIAN,Min-chao YE.  Frontiers of Information Technology & Electronic Engineering. 2016(06)
[3]多摄像机监控中基于贝叶斯因果网的人物角色识别[J]. 明安龙,马华东,傅慧源.  计算机学报. 2010(12)
[4]包含隐变量的贝叶斯网络增量学习方法[J]. 田凤占,黄丽,于剑,黄厚宽.  电子学报. 2005(11)

硕士论文
[1]基于隐变量模型的评分数据分析与用户偏好建模[D]. 高仁尚.云南大学 2017



本文编号：3007573