基于机器学习的推荐算法研究与应用
发布时间：2021-03-17 09:24
推荐系统作为一个处理信息过载的有效解决方案,近年来,被广泛应用于各个领域中。然而,大规模的用户和物品使推荐系统的在线推荐变慢,从而使推荐陷入低效的瓶颈。快速检索的哈希技术,成为解决在线推荐效率瓶颈的一个有效方案。目前存在两种基于哈希的推荐算法,第一种是基于二阶段量化的哈希算法。第二种是基于学习的哈希算法。前者的缺陷是过度简化了离散优化问题,导致大量信息损失,使推荐精度受到较大影响;后者的缺陷是针对推荐系统所建立的离散优化模型与推荐系统的终极目标不一致,以及利用离散坐标下降算法的时间复杂度较高,使更新推荐系统的开销高。为解决上述问题,本文分别对以上两种哈希算法进行了深入的研究,主要贡献总结如下:首先,为解决基于量化的哈希算法中由量化过程的信息损失导致的低精度推荐问题,本文提出了一种新的二阶段量化方案:基于量化的哈希算法（QBH）,它包括相似度量化和模长量化,这种更精细的量化方法在很大程度上降低了量化过程的信息损失。本文通过QBH得到的哈希码建立两种不同的偏好预测模型:基于内积保持的哈希推荐算法（QBH1）和无约束的偏好保持哈希推荐算法（QBH2...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词表
符号说明
第一章 绪论
1.1 研究背景与意义
1.2 推荐系统研究现状
1.2.1 协同过滤算法
1.2.2 混合推荐系统
1.2.3 基于哈希的推荐算法
1.3 研究面临的问题与挑战
1.3.1 冷启动问题
1.3.2 数据稀疏问题
1.3.3 可扩展问题
1.4 本文研究目标
1.5 本文研究内容及创新点
1.6 本文章节安排
第二章 推荐系统基础
2.1 推荐任务
2.2 推荐模型
2.2.1 基于实数的推荐模型
2.2.2 基于哈希的推荐模型
2.3 在线推荐
2.4 评估指标
2.4.1 基于Accuracy@k的评估指标
2.4.2 基于NDCG@k的评估指标
2.4.3 基于AUC的评估指标
2.4.4 基于MRR的评估指标
2.5 实验设置
2.5.1 数据来源
2.5.2 数据划分
2.5.3 参数设置
2.5.4 对比方法
2.6 本章小结
第三章 基于量化的哈希协同过滤
3.1 引言
3.2 问题描述
3.3 基于量化的哈希协同过滤算法
3.3.1 评分预测模型
3.3.2 偏好保持的哈希量化策略
3.3.3 优化模长量化的维度
3.4 实验与结果分析
3.4.1 实验设置
3.4.2 对比方法
3.4.3 实验结果分析
3.5 本章小结
第四章 基于学习的哈希协同过滤
4.1 引言
4.2 符号说明
4.3 离散偏好排序模型
4.3.1 排序预测的损失函数
4.3.2 离散偏好排序模型
4.4 模型优化
4.4.1 初始化
4.4.2 更新用户的哈希码
4.4.3 更新物品的哈希码
4.4.4 更新中间变量
4.5 实验与结果分析
4.5.1 实验设置
4.5.2 对比方法
4.5.3 实验结果分析
4.6 本章小结
第五章 基于学习的哈希混合推荐系统
5.1 引言
5.2 基础知识
5.2.1 深度置信网络
5.2.2 去噪自编码器
5.3 基于学习的哈希混合推荐模型
5.3.1 评分预测的目标函数
5.3.2 排序预测的目标函数
5.3.3 内容感知的目标函数
5.3.4 离散深度学习模型
5.3.5 离散按对排序的哈希模型
5.4 模型优化
5.4.1 初始化
5.4.2 更新用户的哈希码
5.4.3 更新物品的哈希码
5.4.4 更新深度学习参数
5.4.5 更新中间变量
5.4.6 算法
5.5 实验与结果分析
5.5.1 实验数据
5.5.2 实验设置
5.5.3 实验结果分析
5.6 本章小结
第六章 基于整数规划的哈希学习算法
6.1 引言
6.2 基础知识
6.2.1 BQP问题
6.2.2 SDR近似技术
6.3 基于整数规划的哈希学习模型
6.3.1 离散排序的矩阵分解模型
6.3.2 基于自步学习的离散排序矩阵分解模型
6.4 模型优化
6.4.1 更新用户的哈希码
6.4.2 更新物品的哈希码
6.4.3 更新变分参数
6.4.4 更新权重
6.4.5 算法复杂度分析
6.5 实验与结果分析
6.5.1 实验设置
6.5.2 实验结果分析
6.6 本章小结
第七章 全文总结与展望
7.1 全文总结
7.2 未来工作展望
致谢
参考文献
攻读博士学位期间取得的成果
【参考文献】：
期刊论文
[1]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 张子柯,周涛,张翼成. Journal of Computer Science & Technology. 2011(05)
本文编号：3086929
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：116 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词表
符号说明
第一章 绪论
1.1 研究背景与意义
1.2 推荐系统研究现状
1.2.1 协同过滤算法
1.2.2 混合推荐系统
1.2.3 基于哈希的推荐算法
1.3 研究面临的问题与挑战
1.3.1 冷启动问题
1.3.2 数据稀疏问题
1.3.3 可扩展问题
1.4 本文研究目标
1.5 本文研究内容及创新点
1.6 本文章节安排
第二章 推荐系统基础
2.1 推荐任务
2.2 推荐模型
2.2.1 基于实数的推荐模型
2.2.2 基于哈希的推荐模型
2.3 在线推荐
2.4 评估指标
2.4.1 基于Accuracy@k的评估指标
2.4.2 基于NDCG@k的评估指标
2.4.3 基于AUC的评估指标
2.4.4 基于MRR的评估指标
2.5 实验设置
2.5.1 数据来源
2.5.2 数据划分
2.5.3 参数设置
2.5.4 对比方法
2.6 本章小结
第三章 基于量化的哈希协同过滤
3.1 引言
3.2 问题描述
3.3 基于量化的哈希协同过滤算法
3.3.1 评分预测模型
3.3.2 偏好保持的哈希量化策略
3.3.3 优化模长量化的维度
3.4 实验与结果分析
3.4.1 实验设置
3.4.2 对比方法
3.4.3 实验结果分析
3.5 本章小结
第四章 基于学习的哈希协同过滤
4.1 引言
4.2 符号说明
4.3 离散偏好排序模型
4.3.1 排序预测的损失函数
4.3.2 离散偏好排序模型
4.4 模型优化
4.4.1 初始化
4.4.2 更新用户的哈希码
4.4.3 更新物品的哈希码
4.4.4 更新中间变量
4.5 实验与结果分析
4.5.1 实验设置
4.5.2 对比方法
4.5.3 实验结果分析
4.6 本章小结
第五章 基于学习的哈希混合推荐系统
5.1 引言
5.2 基础知识
5.2.1 深度置信网络
5.2.2 去噪自编码器
5.3 基于学习的哈希混合推荐模型
5.3.1 评分预测的目标函数
5.3.2 排序预测的目标函数
5.3.3 内容感知的目标函数
5.3.4 离散深度学习模型
5.3.5 离散按对排序的哈希模型
5.4 模型优化
5.4.1 初始化
5.4.2 更新用户的哈希码
5.4.3 更新物品的哈希码
5.4.4 更新深度学习参数
5.4.5 更新中间变量
5.4.6 算法
5.5 实验与结果分析
5.5.1 实验数据
5.5.2 实验设置
5.5.3 实验结果分析
5.6 本章小结
第六章 基于整数规划的哈希学习算法
6.1 引言
6.2 基础知识
6.2.1 BQP问题
6.2.2 SDR近似技术
6.3 基于整数规划的哈希学习模型
6.3.1 离散排序的矩阵分解模型
6.3.2 基于自步学习的离散排序矩阵分解模型
6.4 模型优化
6.4.1 更新用户的哈希码
6.4.2 更新物品的哈希码
6.4.3 更新变分参数
6.4.4 更新权重
6.4.5 算法复杂度分析
6.5 实验与结果分析
6.5.1 实验设置
6.5.2 实验结果分析
6.6 本章小结
第七章 全文总结与展望
7.1 全文总结
7.2 未来工作展望
致谢
参考文献
攻读博士学位期间取得的成果
【参考文献】：
期刊论文
[1]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 张子柯,周涛,张翼成. Journal of Computer Science & Technology. 2011(05)
本文编号：3086929
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3086929.html
