發(fā)布時間：2024-09-25 21:05

　　如何從大量的用戶數(shù)據(jù)中高效、準確地進行個性化推薦一直是一個重要的研究領(lǐng)域。排序?qū)W習(xí)是這個領(lǐng)域的一個方向,主要方法是通過機器學(xué)習(xí),將大量的樣本數(shù)據(jù)進行訓(xùn)練從而生成一個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:點級排序?qū)W習(xí)、對級排序?qū)W習(xí)以及列表級排序?qū)W習(xí)。在對級排序?qū)W習(xí)的過程中,樣本偏序?qū)ν�往通過二分法確定正例與負例,從而對樣本的位置關(guān)系進行判別,但是在二分法的過程中,有些樣本數(shù)據(jù)并不能很好的進行區(qū)分,因此會出現(xiàn)一些排序難以確定的情況。本文針對以上問題,提出了一種對級排序?qū)W習(xí)中樣本對關(guān)系判定的優(yōu)化方案。該方案基于SVM分類器,結(jié)合了決策樹的理論,引入分值函數(shù)對未分類樣本進行處理,從而提高個性化推薦的準確性。在不同懲罰因子的情況下,該方案對SVM二分類器的準確性均有提高。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)的準確性。針對列表級排序?qū)W習(xí),本文基于評分標準NDCG提出了一種新的目標優(yōu)化函數(shù)ListBN,該函數(shù)通過給予正確靠前排序更大得分來確�？壳巴扑]的準確性。對于數(shù)據(jù)集MovieLen...

【文章頁數(shù)】：51 頁

【學(xué)位級別】：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 本文研究內(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 對級排序?qū)W習(xí)
        2.1.2 列表級排序?qū)W習(xí)
    2.2 支持向量機
    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 基于對級排序的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 模型實驗及對比實驗分析
    4.1 實驗環(huán)境
    4.2 MovieLens數(shù)據(jù)集
    4.3 實驗數(shù)據(jù)的預(yù)處理
        4.3.1 特征數(shù)據(jù)提取
        4.3.2 統(tǒng)一評分準則
    4.4 基于對級排序的DBSVR模型驗證實驗
        4.4.1 分值函數(shù)有效性驗證試驗
        4.4.2 引入提升方法的排序模型
    4.5 基于列表級排序的ListBN評價優(yōu)化方法驗證試驗
5 總結(jié)與展望
致謝
參考文獻
附錄1



本文編號：4006165