面向推荐系统的矩阵填充算法研究

发布时间：2022-12-06 20:29

　　近年来,随着互联网（特别是移动互联网）的迅猛发展以及移动设备的日益普及,无论是消费企业运营服务的商业模式还是人们日常生活中的娱乐休闲与消费习惯都发生了巨大变化。从消费企业运营服务商的角度来说,他希望迅速锁定消费人群,把消费者最感兴趣的商品和服务呈现给他们。从普通消费者的角度来说,他希望从海量的网上内容与服务当中迅速得到自己喜欢的产品与服务。由于互联网迅猛发展所带来的用户规模与网上内容服务的爆炸性的增长,不仅让消费企业运营服务商锁定消费人群的任务变得越来越具有挑战性,而且普通消费者在获取自己感兴趣内容与服务的时候倍感困难。因此,无论是对消费企业运营服务商还是普通消费者来说,推荐服务都变得越来越有必要,而矩阵填充技术是构建现代推荐系统的核心技术之一。所谓矩阵填充技术,指的是在矩阵有残缺值的位置上填充元素值的方法。其在大规模推荐系统上的应用面临许多新的挑战。例如,为了推提高荐算法的鲁棒性,人们希望在推荐系统中应用凸优化矩阵填充算法,然而传统的凸优化矩阵填充算法往往在存储效率和计算效率上都有较大的不足,难以应用于大规模的矩阵填充。其次,对大规模推荐系统而言,在整个大规模数据集上调节参数非常耗时... 

【文章页数】：117 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 研究内容与面临的主要挑战
    1.3 本文的组织结构
第二章 相关工作概述
    2.1 矩阵填充研究
    2.2 推荐系统研究
    2.3 社交媒体推荐系统研究
第三章 低秩凸优化矩阵填充算法
    3.1 引言
    3.2 问题的定义
    3.3 矩阵填充凸优化问题(3.2)的低秩解法
        3.3.1 一阶最优化条件
        3.3.2 二阶最优化条件
        3.3.3 低秩优化问题(3.3)的求解(矩阵迹球空间优化方法)
        3.3.4 算法运行示例
    3.4 关于模型参数γ的讨论
        3.4.1 η性质的初步讨论
        3.4.2 关于高效稳定的η的讨论
        3.4.3 为不同大小的训练数据样本快速确定最优参数γ
    3.5 实验分析
        3.5.1 基准比较方法
        3.5.2 数据准备和实验目的
        3.5.3 最佳参数稳定性对比
        3.5.4 固定模型参数在不同大小数据集上的比较
    3.6 本章小结
第四章 参数对矩阵规模不变的矩阵分解方法
    4.1 引言
    4.2 准备知识与假设
    4.3 利用分解方差进行矩阵分解
        4.3.1 参数对矩阵规模不变的矩阵分解问题FAVA
        4.3.2 对FAVA问题的球面投影法
        4.3.3 对FAVA问题的最速特征初始化方法
    4.4 分解方差的估计
    4.5 关于参数对矩阵规模敏感的理论分析
    4.6 实验分析
        4.6.1 在子评分矩阵上的综合比较
        4.6.2 固定参数在原始大规模评分矩阵MovieLens10M上的比较
    4.7 本章小结
第五章 分离个体兴趣和共同兴趣的社交评分矩阵分解
    5.1 引言
    5.2 问题定义与准备知识
    5.3 社交媒体用户兴趣分离模型(DisSUP)
        5.3.1 梯度计算
        5.3.2 梯度计算的时间复杂度分析
    5.4 模型应用
        5.4.1 社交媒体内容评分预测
        5.4.2 小众品味内容推荐
        5.4.3 社交网络1-跳最有影响力用户识别
    5.5 实验分析
        5.5.1 社交媒体内容评分预测应用
        5.5.2 小众品味内容推荐应用
        5.5.3 社交网络1-跳最有影响力用户识别
    5.6 本章小结
    5.7 附录
第六章 本文总结与展望
    6.1 本文研究工作总结
    6.2 未来研究工作展望
参考文献
致谢
在读期间发表的学术论文与取得的研究成果



本文编号：3711583