基于粒子群优化的高速收敛隐特征分析模型研究
发布时间：2021-04-13 11:16
随着互联网的爆炸式增长,人们所需的信息容纳于海量的数据中。而推荐系统能够帮助人们从这些数据中筛选出对自己有用的信息,这些数据可用高维稀疏矩阵来表示。因基于隐特征分析的推荐技术具备计算效率高、空间复杂度低、可扩展性强等优点,被广泛地研究和应用,是处理高维稀疏数据的有效方法。在隐特征分析模型中,随机梯度下降算法作为最受欢迎的求解方式,常常被用来提取高维稀疏矩阵中的隐特征。但基于该求解方式的隐特征分析模型的性能受学习步长的影响,为获得精准的预测结果需要选择一个适合的学习步长,这需要耗费大量的时间和精力。因此,为改善现存隐特征分析模型的性能,本文提出了一种基于粒子群优化的高速收敛隐特征分析模型,并围绕该优化模型开展研究工作,所完成的主要工作内容如下:（1）提出了一种基于粒子群优化的隐特征分析模型。该模型将粒子群优化算法的规则应用到隐特征分析模型中,将每个粒子视作需要优化的学习步长,利用粒子自身的经验和群体的经验进行更新来自动选择学习步长,使学习步长能够实现自适应,从而获得高的计算效率以及具有竞争力的预测精度,该模型在时间消耗上明显优于传统的隐特征分析模型。（2）提出一种新的、基于位置变迁的粒子...
【文章来源】：西华师范大学四川省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
隐特征分析模型构建图
第2章隐特征分析基础模型14合理地选取该值的大校（a）RMSE（b）MAE图2-2M1在D1上的训练过程图Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE图2-3M1在D2上的训练过程图Fig.2-3TrainingprocessofM1onD22.5本章小结本章旨在介绍传统的隐特征分析模型，并通过实验说明模型的性能受学习步长的影响。本章首先介绍了基本矩阵分解模型，然后介绍了传统的隐特征分析模型，其中说明了隐特征分析模型的构建过程，构建了隐特征分析模型的损失函数，并加入吉洪诺夫（Tikhonov）正则化项对损失函数进行限制，防止过拟合，然后利用随机梯度下降算法求解隐特征空间，接着给出了隐特征分析模型的伪代码，对算法的计算复杂度和存储复杂度进行了分析，最后通过在两个来自真实工业应用产生的高维稀疏矩阵上进行实验，测试学习步长对模型的影响，实验结果表明隐特征分析模型的预测精度和计算效率与学习步长的取值紧密相关。本章测试了学习步长对模型性能的影响，说明了该参数对隐特征分析模型的重要性，同时也为本文所提出的基于粒子群优化的高速收敛隐特征分析模型做了一个很好的铺垫。
第2章隐特征分析基础模型14合理地选取该值的大校（a）RMSE（b）MAE图2-2M1在D1上的训练过程图Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE图2-3M1在D2上的训练过程图Fig.2-3TrainingprocessofM1onD22.5本章小结本章旨在介绍传统的隐特征分析模型，并通过实验说明模型的性能受学习步长的影响。本章首先介绍了基本矩阵分解模型，然后介绍了传统的隐特征分析模型，其中说明了隐特征分析模型的构建过程，构建了隐特征分析模型的损失函数，并加入吉洪诺夫（Tikhonov）正则化项对损失函数进行限制，防止过拟合，然后利用随机梯度下降算法求解隐特征空间，接着给出了隐特征分析模型的伪代码，对算法的计算复杂度和存储复杂度进行了分析，最后通过在两个来自真实工业应用产生的高维稀疏矩阵上进行实验，测试学习步长对模型的影响，实验结果表明隐特征分析模型的预测精度和计算效率与学习步长的取值紧密相关。本章测试了学习步长对模型性能的影响，说明了该参数对隐特征分析模型的重要性，同时也为本文所提出的基于粒子群优化的高速收敛隐特征分析模型做了一个很好的铺垫。
【参考文献】：
期刊论文
[1]一种潜在特征同步学习和偏好引导的推荐方法[J]. 李琳,朱阁,解庆,苏畅,杨征路. 软件学报. 2019(11)
[2]基于协同过滤和隐语义模型的混合推荐算法[J]. 徐吉,李小波,陈华辉,许浩. 计算机技术与发展. 2020(02)
[3]针对隐式反馈推荐系统的表征学习方法[J]. 梅岚翔,郁雪. 计算机应用研究. 2020(08)
[4]个性化推荐系统综述[J]. 代丽,樊粤湘. 计算机时代. 2019(06)
[5]基于协同过滤加权预测的主动学习缺失值填补算法[J]. 黄帷,闵帆,任杰. 南京大学学报(自然科学). 2018(04)
[6]融合社交因素和评论文本卷积网络模型的汽车推荐研究[J]. 冯永,陈以刚,强保华. 自动化学报. 2019(03)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于Pareto熵的多目标粒子群优化算法[J]. 胡旺,Gary G. YEN,张鑫. 软件学报. 2014(05)
博士论文
[1]基于QoS缺失数据预测的个性化Web服务推荐方法研究[D]. 马友.北京邮电大学 2015
硕士论文
[1]基于深度神经网络的中医药材推荐[D]. 王科文.华南理工大学 2018
[2]基于邻域的协同过滤推荐算法研究[D]. 于阳.解放军信息工程大学 2017
[3]基于高维稀疏矩阵隐特征分析的蛋白质相互作用预测技术研究[D]. 孙剑沛.重庆大学 2017
[4]异质信息网络中基于邻域的协同过滤推荐算法[D]. 陈曦.大连理工大学 2014
本文编号：3135194
【文章来源】：西华师范大学四川省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
隐特征分析模型构建图
第2章隐特征分析基础模型14合理地选取该值的大校（a）RMSE（b）MAE图2-2M1在D1上的训练过程图Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE图2-3M1在D2上的训练过程图Fig.2-3TrainingprocessofM1onD22.5本章小结本章旨在介绍传统的隐特征分析模型，并通过实验说明模型的性能受学习步长的影响。本章首先介绍了基本矩阵分解模型，然后介绍了传统的隐特征分析模型，其中说明了隐特征分析模型的构建过程，构建了隐特征分析模型的损失函数，并加入吉洪诺夫（Tikhonov）正则化项对损失函数进行限制，防止过拟合，然后利用随机梯度下降算法求解隐特征空间，接着给出了隐特征分析模型的伪代码，对算法的计算复杂度和存储复杂度进行了分析，最后通过在两个来自真实工业应用产生的高维稀疏矩阵上进行实验，测试学习步长对模型的影响，实验结果表明隐特征分析模型的预测精度和计算效率与学习步长的取值紧密相关。本章测试了学习步长对模型性能的影响，说明了该参数对隐特征分析模型的重要性，同时也为本文所提出的基于粒子群优化的高速收敛隐特征分析模型做了一个很好的铺垫。
第2章隐特征分析基础模型14合理地选取该值的大校（a）RMSE（b）MAE图2-2M1在D1上的训练过程图Fig.2-2TrainingprocessofM1onD1（a）RMSE（b）MAE图2-3M1在D2上的训练过程图Fig.2-3TrainingprocessofM1onD22.5本章小结本章旨在介绍传统的隐特征分析模型，并通过实验说明模型的性能受学习步长的影响。本章首先介绍了基本矩阵分解模型，然后介绍了传统的隐特征分析模型，其中说明了隐特征分析模型的构建过程，构建了隐特征分析模型的损失函数，并加入吉洪诺夫（Tikhonov）正则化项对损失函数进行限制，防止过拟合，然后利用随机梯度下降算法求解隐特征空间，接着给出了隐特征分析模型的伪代码，对算法的计算复杂度和存储复杂度进行了分析，最后通过在两个来自真实工业应用产生的高维稀疏矩阵上进行实验，测试学习步长对模型的影响，实验结果表明隐特征分析模型的预测精度和计算效率与学习步长的取值紧密相关。本章测试了学习步长对模型性能的影响，说明了该参数对隐特征分析模型的重要性，同时也为本文所提出的基于粒子群优化的高速收敛隐特征分析模型做了一个很好的铺垫。
【参考文献】：
期刊论文
[1]一种潜在特征同步学习和偏好引导的推荐方法[J]. 李琳,朱阁,解庆,苏畅,杨征路. 软件学报. 2019(11)
[2]基于协同过滤和隐语义模型的混合推荐算法[J]. 徐吉,李小波,陈华辉,许浩. 计算机技术与发展. 2020(02)
[3]针对隐式反馈推荐系统的表征学习方法[J]. 梅岚翔,郁雪. 计算机应用研究. 2020(08)
[4]个性化推荐系统综述[J]. 代丽,樊粤湘. 计算机时代. 2019(06)
[5]基于协同过滤加权预测的主动学习缺失值填补算法[J]. 黄帷,闵帆,任杰. 南京大学学报(自然科学). 2018(04)
[6]融合社交因素和评论文本卷积网络模型的汽车推荐研究[J]. 冯永,陈以刚,强保华. 自动化学报. 2019(03)
[7]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[8]基于Pareto熵的多目标粒子群优化算法[J]. 胡旺,Gary G. YEN,张鑫. 软件学报. 2014(05)
博士论文
[1]基于QoS缺失数据预测的个性化Web服务推荐方法研究[D]. 马友.北京邮电大学 2015
硕士论文
[1]基于深度神经网络的中医药材推荐[D]. 王科文.华南理工大学 2018
[2]基于邻域的协同过滤推荐算法研究[D]. 于阳.解放军信息工程大学 2017
[3]基于高维稀疏矩阵隐特征分析的蛋白质相互作用预测技术研究[D]. 孙剑沛.重庆大学 2017
[4]异质信息网络中基于邻域的协同过滤推荐算法[D]. 陈曦.大连理工大学 2014
本文编号：3135194
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3135194.html
