基于排序学习的个性化推荐

发布时间：2024-09-25 21:05

　　如何从大量的用户数据中高效、准确地进行个性化推荐一直是一个重要的研究领域。排序学习是这个领域的一个方向,主要方法是通过机器学习,将大量的样本数据进行训练从而生成一个基于样本特征的排序函数。排序学习在其领域主要分为三种方法:点级排序学习、对级排序学习以及列表级排序学习。在对级排序学习的过程中,样本偏序对往往通过二分法确定正例与负例,从而对样本的位置关系进行判别,但是在二分法的过程中,有些样本数据并不能很好的进行区分,因此会出现一些排序难以确定的情况。本文针对以上问题,提出了一种对级排序学习中样本对关系判定的优化方案。该方案基于SVM分类器,结合了决策树的理论,引入分值函数对未分类样本进行处理,从而提高个性化推荐的准确性。在不同惩罚因子的情况下,该方案对SVM二分类器的准确性均有提高。本文在此基础上结合Boosting方法,提出了一种排序函数优化模型DBSVR,该模型通过设置样本以及分类器的权重参数,从而提高排序函数的准确性。针对列表级排序学习,本文基于评分标准NDCG提出了一种新的目标优化函数ListBN,该函数通过给予正确靠前排序更大得分来确保靠前推荐的准确性。对于数据集MovieLen...

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 推荐系统研究现状
        1.2.1 协同过滤推荐算法
        1.2.2 基于内容的推荐算法
        1.2.3 混合推荐算法
    1.3 排序学习研究现状
        1.3.1 Pointwise
        1.3.2 Pairwise
        1.3.3 Listwise
    1.4 本文研究内容与结构
2 本文相关理论及技术
    2.1 排序学习
        2.1.1 对级排序学习
        2.1.2 列表级排序学习
    2.2 支持向量机
    2.3 引入分值函数的划分方法
    2.4 提升方法
    2.5 割平面法
3 排序模型的构建
    3.1 基于对级排序的DBSVR
        3.1.1 SVM分类器
        3.1.2 引入分值函数的偏序关系判别方法
        3.1.3 引用提升方法的排序优化方案
    3.2 基于列表级排序的ListBN
        3.2.1 基于1-slack的算法框架
        3.2.2 割面法求解近似解
4 模型实验及对比实验分析
    4.1 实验环境
    4.2 MovieLens数据集
    4.3 实验数据的预处理
        4.3.1 特征数据提取
        4.3.2 统一评分准则
    4.4 基于对级排序的DBSVR模型验证实验
        4.4.1 分值函数有效性验证试验
        4.4.2 引入提升方法的排序模型
    4.5 基于列表级排序的ListBN评价优化方法验证试验
5 总结与展望
致谢
参考文献
附录1



本文编号：4006165