基于排序?qū)W習(xí)的個(gè)性化推薦
發(fā)布時(shí)間:2024-09-25 21:05
如何從大量的用戶數(shù)據(jù)中高效、準(zhǔn)確地進(jìn)行個(gè)性化推薦一直是一個(gè)重要的研究領(lǐng)域。排序?qū)W習(xí)是這個(gè)領(lǐng)域的一個(gè)方向,主要方法是通過(guò)機(jī)器學(xué)習(xí),將大量的樣本數(shù)據(jù)進(jìn)行訓(xùn)練從而生成一個(gè)基于樣本特征的排序函數(shù)。排序?qū)W習(xí)在其領(lǐng)域主要分為三種方法:點(diǎn)級(jí)排序?qū)W習(xí)、對(duì)級(jí)排序?qū)W習(xí)以及列表級(jí)排序?qū)W習(xí)。在對(duì)級(jí)排序?qū)W習(xí)的過(guò)程中,樣本偏序?qū)νㄟ^(guò)二分法確定正例與負(fù)例,從而對(duì)樣本的位置關(guān)系進(jìn)行判別,但是在二分法的過(guò)程中,有些樣本數(shù)據(jù)并不能很好的進(jìn)行區(qū)分,因此會(huì)出現(xiàn)一些排序難以確定的情況。本文針對(duì)以上問(wèn)題,提出了一種對(duì)級(jí)排序?qū)W習(xí)中樣本對(duì)關(guān)系判定的優(yōu)化方案。該方案基于SVM分類器,結(jié)合了決策樹(shù)的理論,引入分值函數(shù)對(duì)未分類樣本進(jìn)行處理,從而提高個(gè)性化推薦的準(zhǔn)確性。在不同懲罰因子的情況下,該方案對(duì)SVM二分類器的準(zhǔn)確性均有提高。本文在此基礎(chǔ)上結(jié)合Boosting方法,提出了一種排序函數(shù)優(yōu)化模型DBSVR,該模型通過(guò)設(shè)置樣本以及分類器的權(quán)重參數(shù),從而提高排序函數(shù)的準(zhǔn)確性。針對(duì)列表級(jí)排序?qū)W習(xí),本文基于評(píng)分標(biāo)準(zhǔn)NDCG提出了一種新的目標(biāo)優(yōu)化函數(shù)ListBN,該函數(shù)通過(guò)給予正確靠前排序更大得分來(lái)確?壳巴扑]的準(zhǔn)確性。對(duì)于數(shù)據(jù)集MovieLen...
【文章頁(yè)數(shù)】:51 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 推薦系統(tǒng)研究現(xiàn)狀
1.2.1 協(xié)同過(guò)濾推薦算法
1.2.2 基于內(nèi)容的推薦算法
1.2.3 混合推薦算法
1.3 排序?qū)W習(xí)研究現(xiàn)狀
1.3.1 Pointwise
1.3.2 Pairwise
1.3.3 Listwise
1.4 本文研究?jī)?nèi)容與結(jié)構(gòu)
2 本文相關(guān)理論及技術(shù)
2.1 排序?qū)W習(xí)
2.1.1 對(duì)級(jí)排序?qū)W習(xí)
2.1.2 列表級(jí)排序?qū)W習(xí)
2.2 支持向量機(jī)
2.3 引入分值函數(shù)的劃分方法
2.4 提升方法
2.5 割平面法
3 排序模型的構(gòu)建
3.1 基于對(duì)級(jí)排序的DBSVR
3.1.1 SVM分類器
3.1.2 引入分值函數(shù)的偏序關(guān)系判別方法
3.1.3 引用提升方法的排序優(yōu)化方案
3.2 基于列表級(jí)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 模型實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)分析
4.1 實(shí)驗(yàn)環(huán)境
4.2 MovieLens數(shù)據(jù)集
4.3 實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理
4.3.1 特征數(shù)據(jù)提取
4.3.2 統(tǒng)一評(píng)分準(zhǔn)則
4.4 基于對(duì)級(jí)排序的DBSVR模型驗(yàn)證實(shí)驗(yàn)
4.4.1 分值函數(shù)有效性驗(yàn)證試驗(yàn)
4.4.2 引入提升方法的排序模型
4.5 基于列表級(jí)排序的ListBN評(píng)價(jià)優(yōu)化方法驗(yàn)證試驗(yàn)
5 總結(jié)與展望
致謝
參考文獻(xiàn)
附錄1
本文編號(hào):4006165
【文章頁(yè)數(shù)】:51 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
Abstract
1 緒論
1.1 研究背景與意義
1.2 推薦系統(tǒng)研究現(xiàn)狀
1.2.1 協(xié)同過(guò)濾推薦算法
1.2.2 基于內(nèi)容的推薦算法
1.2.3 混合推薦算法
1.3 排序?qū)W習(xí)研究現(xiàn)狀
1.3.1 Pointwise
1.3.2 Pairwise
1.3.3 Listwise
1.4 本文研究?jī)?nèi)容與結(jié)構(gòu)
2 本文相關(guān)理論及技術(shù)
2.1 排序?qū)W習(xí)
2.1.1 對(duì)級(jí)排序?qū)W習(xí)
2.1.2 列表級(jí)排序?qū)W習(xí)
2.2 支持向量機(jī)
2.3 引入分值函數(shù)的劃分方法
2.4 提升方法
2.5 割平面法
3 排序模型的構(gòu)建
3.1 基于對(duì)級(jí)排序的DBSVR
3.1.1 SVM分類器
3.1.2 引入分值函數(shù)的偏序關(guān)系判別方法
3.1.3 引用提升方法的排序優(yōu)化方案
3.2 基于列表級(jí)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 模型實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)分析
4.1 實(shí)驗(yàn)環(huán)境
4.2 MovieLens數(shù)據(jù)集
4.3 實(shí)驗(yàn)數(shù)據(jù)的預(yù)處理
4.3.1 特征數(shù)據(jù)提取
4.3.2 統(tǒng)一評(píng)分準(zhǔn)則
4.4 基于對(duì)級(jí)排序的DBSVR模型驗(yàn)證實(shí)驗(yàn)
4.4.1 分值函數(shù)有效性驗(yàn)證試驗(yàn)
4.4.2 引入提升方法的排序模型
4.5 基于列表級(jí)排序的ListBN評(píng)價(jià)優(yōu)化方法驗(yàn)證試驗(yàn)
5 總結(jié)與展望
致謝
參考文獻(xiàn)
附錄1
本文編號(hào):4006165
本文鏈接:http://lk138.cn/kejilunwen/zidonghuakongzhilunwen/4006165.html
上一篇:基于卷積神經(jīng)網(wǎng)絡(luò)的接地網(wǎng)腐蝕程度分類方法研究
下一篇:沒(méi)有了
下一篇:沒(méi)有了
最近更新
教材專著