基于异构生成对抗网络集成的推荐算法研究

发布时间：2023-05-18 02:41

　　个性化推荐作为解决信息负载的重要手段,正受到学术界越来越多的关注和研究,给商业平台带来不可估量的收益。将推荐系统视为一个查询-排序问题,生成对抗网络(Generative Adversarial Networks,GANs)以其生成模型和判别模型动态对抗互利共赢的特性可以很好的模拟推荐领域中用户与推荐系统的交互过程。然而原始GANs仅限于生成连续数据,为解决推荐领域以离散文本为主流数据形式的问题,通常采用强化学习(Reinforcement Learning,RL)的策略梯度(Policy Gradient)来求取生成模型的近似梯度,却容易产生高方差,引起样本扰动,导致模型难以收敛。况且GANs向来难以训练,应用于推荐“模型崩溃”依旧存在,网络泛化性欠佳。针对上述问题提出一种基于异构Generator-Discriminator集成的推荐算法(Heterogeneous Generator-Discriminator Ensemble,HGDE),动态模拟用户和推荐系统的交互过程,在已有的将GANs应用于推荐的算法基础上做了以下改进:i)采用动态负采样的方法初步过滤候选集,减小查询海量...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究概况
    1.3 主要研究内容
    1.4 论文结构
2 关键技术理论基础
    2.1 个性化推荐算法
    2.2 生成对抗网络
    2.3 集成学习
    2.4 负采样优化算法
    2.5 本章小结
3 基于生成对抗网络的推荐算法
    3.1 基本原理与形式化定义
    3.2 模型设计思路
    3.3 对抗网络应用于推荐核心模块理论推导
    3.4 本章小结
4 基于异构生成对抗网络集成的推荐算法
    4.1 问题描述
    4.2 模型设计
    4.3 算法伪码与复杂度分析
    4.4 本章小结
5 实验评估
    5.1 实验配置
    5.2 相关评测指标以及对照实验
    5.3 实验结果对比和分析
    5.4 本章小结
6 总结与展望
    6.1 全文总结
    6.2 课题展望
致谢
参考文献



本文编号：3818507