面向大规模复杂数据的推荐系统中若干问题的研究

发布时间：2024-04-20 11:02

　　目前,推荐系统已被广泛地应用到人们的日常生活当中,并在电子商务、社交网络、计算广告、智能医疗、智慧城市等领域取得了丰硕的成果。推荐系统旨在从大量信息中为用户快速地发掘潜在有用的少量信息,从而使用户避免陷入信息超载的问题,多年来受到学术界和工业界的广泛关注。然而,随着互联网的快速发展以及智能终端的日益普及,数据在数量、维度、形式、结构等方面发生了巨大的变化,产生了数据海量化、特征高维化、形式多模态化、结构复杂化的一系列挑战。伴随而来的是推荐模型存储开销、在线推荐计算开销、高维噪声数据预处理、异构模态数据推荐、复杂结构信息提取等问题。针对以上问题,本文对面向大规模复杂数据的推荐系统进行了深入的研究,分别提出了解决方案。本文的主要贡献总结如下:1)提出了一个离散化的因子分解机推荐模型。通过构造交叉熵目标函数的二次上界,并且引入离散约束,从而把潜在特征矩阵的优化问题转化为一系列二元二次规划问题,并且利用半正定松弛优化方法来学习哈希编码表示。实验结果表明,相对于实值表示的因子分解机模型,该模型能够在取得相近的推荐性能的同时显著地减少模型存储开销和加速推荐计算,从而有效地应对数据海量化和特征高维化...

【文章页数】：112 页

【学位级别】：博士

【部分图文】：

图１－１?．本文的研愈思路与研宄工作??３??

，这导致了现有模型的检索推荐准确率较低；（４）现有的基亍神经网络的推荐模型难??以有效地直接将用户和物品的复杂几何结构儀息引入到潜在嵌入表示学习和交瓦麗构??建模过程中，这限制了潜在嵌入向量表示的表征能力以及模型推荐的精确性。因此，如??何进一步解决以上的挑战是重要的研究问题。为....

图１－２全文的组织结构和章节关系??本文的组织结构和章节关系如图１－２所示，内容安排如下ｉ??

研究職?与展望??ｖ?ｙ?ｖ?ｖ?ｖ?ｙ?ｖ?－／??Ｉ?Ｉ?１?ｌ?ｌ??（??＼?／??Ｎ?／??Ｎ?／??Ｎ??数据海量化特征高维化结构复杂化??Ｖ?■?Ｊ?Ｖ?■?Ｖ??？?Ｖ???＼??Ｉ?Ｉ?Ｉ??ｒ?１?ｆ基于图神经网＇??因推子荐分模！几主溫去据的ｆｆ｜｜｜索络的....

图３－２算法性能对比ＮＤＣＧ＠Ｎ?（Ｎ从１到１０，潜在特征向量长度从８到３２）??３．４．２实验结果??３．４．２．１与对比算法的比较（Ｑ１）??

ＭＦ?口?ＢＣＦＭ?—＊—ＤＦＭ?Ｏ?ＤＲＦＭ??８－ｂｉｔｓ?１６－ｂｉｔｓ?２４－ｂｉｔｓ?３２－ｂｉｔｓ??ａ６［ｈ＾Ｂ＾＾??２?４?６?８?１０?２?４?６?８?１０?２?４?６?８?１０?２?４?６?８?１０??８－ｂｉｔｓ?１６－ｂｉｔｓ?２４－ｂｉｔｓ?３２－ｂｉ....

图３＿３?（ａ）：二次上羿函数与交叉熵函数的实验比较ｉ（ｂ＞：?ｔ＆优化＃间题的收敛实验??

分解机推荐模型???常好的近似。这个观察表明了我们使用上界函数替代原交叉熵损失函数是可信赖的。??然后我们分析ＤＲＦＭ＾＜］收敛性。在前面的计算复杂度分析部分，我们得知子问??题的计算复杂度是和＃正相关的（ｃ是条件数）。根据文献［１（）１］，＾是收敛迭代次数的上??界。＿此，我们....

本文编号：3959317