發(fā)布時間：2018-07-26 09:34

【摘要】：上下文感知推薦研究近年來在推薦系統(tǒng)領(lǐng)域十分流行,因為通過對上下文信息的挖掘,這類推薦系統(tǒng)能更好地完成個性化推薦任務(wù)。上下文信息和推薦系統(tǒng)中的兩個核心實體(用戶和物品)有著緊密的聯(lián)系,從這個角度看,上下文信息又可以被稱為屬性,主要包括用戶屬性和物品屬性。圍繞屬性進行建模的技術(shù)不斷發(fā)展且日新月異,然而,上下文推薦中的屬性建模仍然面臨這些問題:(1)現(xiàn)有的方法對屬性的處理不夠靈活;(2)已有的屬性交互模型過于復(fù)雜而且沒有針對性;(3)不同推薦任務(wù)對屬性建模的要求不同;(4)通用的推薦算法受不同領(lǐng)域的屬性影響較大;(5)不同記錄對用戶偏好的影響差異巨大。針對這些挑戰(zhàn),本文提出了屬性提升與偏好集成兩類策略來優(yōu)化上下文感知推薦。首先,屬性提升技術(shù)可以分別完成推薦系統(tǒng)中的評分預(yù)測和物品推薦兩大任務(wù);其次,偏好集成方法可以在屬性提升的基礎(chǔ)上改善預(yù)測結(jié)果;最后,偏好集成可以被改進成綜合的推薦框架,完成一般化的推薦任務(wù)。具體的研究工作展開如下:(1)以評分預(yù)測為任務(wù)的局部提升與偏好集成研究以屬性提升項為基礎(chǔ),局部提升技術(shù)通過用戶、物品和屬性類型三個角度完成屬性交互。以梯度下降配合采樣技術(shù)的局部學(xué)習(xí)策略,可以對提升框架進行高效訓(xùn)練,完成三個角度的偏好整合并形成局部的偏好預(yù)測值。以局部提升為基礎(chǔ)的偏好集成方法使用了梯度提升樹,實現(xiàn)多種偏好整合來得到用戶的總體興趣。局部偏好與總體興趣一起,可以生成最終的評分預(yù)測值。實驗證明,單純的局部偏好預(yù)測已比流行的上下文方法(例如分解機)更準(zhǔn)確,而且,在加入總體偏好之后,評分預(yù)測的準(zhǔn)確度又有了進一步的提高。(2)以物品推薦為任務(wù)的全局提升與偏好集成研究全局提升的主要思路是通過屬性鄰居降低特定領(lǐng)域?qū)�屬性建模的負面影響。首�?通過計算相似屬性得到用戶屬性鄰居和物品屬性鄰居;接著,對屬性鄰居進行單個集成,實現(xiàn)屬性的領(lǐng)域無關(guān)化;最后,提出三種新型的交互方法完成全局物品推薦器。為了完善全局物品推薦器,偏好集成使用了局部低秩近似技術(shù),給每個鄰居賦予一個靈活的權(quán)重用來表達其貢獻,進行多鄰居集成與交互來完成推薦。實驗驗證了全局提升技術(shù)更不易受到特定領(lǐng)域的干擾,在加入全局偏好集成后,模型性能相對于先進的物品推薦器(如點對張量分解)有著更明顯的優(yōu)勢。(3)以分部學(xué)習(xí)為基礎(chǔ)的綜合偏好集成框架與基于屬性提升的兩類偏好集成技術(shù)不同,綜合的偏好集成方法把重點放在記錄的分配與建模上。該框架的核心是分部學(xué)習(xí)策略,即通過記錄劃分、偏好挖掘、偏好集成三個有序的步驟完成推薦。首先,采用小組劃分樹完成對原始記錄劃分,并產(chǎn)生小組偏好;然后,以小組為單位,建立一個輕量級的回歸模型用來捕捉組中特定用戶的局部偏好;最后,通過對小組偏好和局部偏好的整合,得到用戶的整體喜好,實現(xiàn)了綜合的偏好集成推薦器。實驗證明了通過靈活地調(diào)節(jié)模型粒度,綜合偏好推薦器可以適應(yīng)不同的數(shù)據(jù)集從而達到最佳性能,而且,該框架能以較高的準(zhǔn)確度完成兩大推薦任務(wù)。綜上所述,通過提出屬性提升與偏好集成策略,本文以多種方式優(yōu)化了上下文感知推薦,完成了推薦系統(tǒng)中的兩個主要任務(wù)。這是對屬性建模與偏好預(yù)測的新嘗試,為挖掘更深層次的用戶興趣提供了思路。因此,該主題有較大的理論研究價值與積極的實際應(yīng)用意義。
[Abstract]:Context aware recommendation research has been very popular in the field of recommender systems in recent years, because this kind of recommendation system can better accomplish personalized recommendation tasks by mining context information. Context information and two core entities (users and items) in the recommendation system are closely linked. From this perspective, context information is the same. It can be called attribute, mainly including user properties and item attributes. The technology of modeling around attributes is constantly developing and changing day by day. However, the attribute modeling in context recommendation still faces these problems: (1) existing methods are not flexible enough to deal with attributes; (2) existing attribute interaction models are too complex and not targeted. (3) different recommendation tasks have different requirements for attribute modeling; (4) general recommendation algorithms are greatly influenced by the properties of different fields; (5) there is a great difference in the impact of different records on user preferences. In this paper, this paper proposes the two strategies of attribute promotion and preference integration to optimize context awareness recommendation. First, attribute lifting technology The two tasks in the recommendation system can be completed respectively. Secondly, the preference integration method can improve the prediction results on the basis of the attribute promotion; finally, the preference integration can be improved into a comprehensive recommendation framework to complete the general recommendation task. The specific research work is as follows: (1) the score prediction is used as the following. Local promotion and preference integration of tasks are based on attribute lifting. Local lifting technology completes attribute interaction through three angles of user, item and attribute type. Local learning strategy based on gradient descent and sampling technique can effectively train the lifting framework and complete the partial integration of the three angles and form a local. Preference prediction. The partial promotion based preference integration method uses a gradient lifting tree to achieve a variety of preference integration to get the overall interest of the user. Local preference, together with the overall interest, can generate a final score prediction value. Experiments show that the simple partial preference pretest is better than the popular context method (such as the decomposer). More accurately, and after adding the overall preference, the accuracy of the score prediction has been further improved. (2) the main idea of global promotion and preference integration for the task of the item recommendation is to reduce the negative impact of the attribute modeling on the specific domain through the attribute neighbor. First, the similarity property is calculated by calculating the similar attributes. The household attributes neighbors and property neighbors; then, the attribute neighbors are integrated individually to realize the domain independence of the attributes. Finally, three new interactive methods are proposed to complete the global item recommendation. In order to improve the global item recommendation, the preference integration uses the local low rank approximation technology to give each neighbor a flexible weight. It is used to express its contribution and carry out the recommendation of multi neighbor integration and interaction. The experiment verifies that the global lifting technique is less vulnerable to specific domain interference. After adding global preference integration, the performance of the model has a more obvious advantage than the advanced item recommendation (such as the point to tensor decomposition). (3) synthesis based on partial learning. The preference integration framework is different from the two type of preference integration technology based on attribute promotion. The integrated preference integration method focuses on the allocation and modeling of records. The core of this framework is the partial learning strategy, which is completed by the three orderly steps of recording division, preference mining and preference integration. The original record is divided and the group preference is generated. Then, a lightweight regression model is established to capture the local preference of a specific user in the group. Finally, the overall preference of the user is obtained through the integration of the group preference and local preference, and a comprehensive preference integration recommender is realized. The granularity of the model is adjusted alive, and the comprehensive preference recommender can adapt to different data sets to achieve the best performance. Moreover, the framework can complete two recommended tasks with higher accuracy. In summary, by proposing attribute lifting and preference integration strategies, this paper optimizes the context aware recommendation with a variety of formulas and completes the recommendation system. This is the two main task in the field. This is a new attempt at attribute modeling and preference prediction, which provides a way of thinking for deeper user interest. Therefore, this topic has great theoretical research value and positive practical significance.
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 米可菲;張勇;邢春曉;蔚欣;;面向大數(shù)據(jù)的開源推薦系統(tǒng)分析[J];計算機與數(shù)字工程;2013年10期

2 脫建勇;王嵩;李秀;劉文煌;;精品課共享中的推薦系統(tǒng)框架與實現(xiàn)[J];計算機工程與設(shè)計;2006年17期

3 蘇冠賢;張麗霞;林丕源;劉吉平;;生物信息學(xué)推薦系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機應(yīng)用研究;2007年05期

4 王改芬;;推薦系統(tǒng)研究綜述[J];軟件導(dǎo)刊;2007年23期

5 葉群來;;營銷與網(wǎng)絡(luò)推薦系統(tǒng)[J];電子商務(wù);2007年10期

6 李媚;;個性化網(wǎng)絡(luò)學(xué)習(xí)資源推薦系統(tǒng)研究[J];福建電腦;2008年12期

7 潘冉;姜麗紅;;基于經(jīng)濟學(xué)模型的推薦系統(tǒng)的研究[J];計算機應(yīng)用與軟件;2008年03期

8 劉魯;任曉麗;;推薦系統(tǒng)研究進展及展望[J];信息系統(tǒng)學(xué)報;2008年01期

9 劉小燕;陳艷麗;賈宗璞;沈記全;;基于增強學(xué)習(xí)的旅行計劃推薦系統(tǒng)[J];計算機工程;2010年21期

10 曹畋;;智能推薦系統(tǒng)在知識瀏覽領(lǐng)域的應(yīng)用[J];硅谷;2011年21期

相關(guān)會議論文 前8條

1 張燕;李燕萍;;基于內(nèi)容分析和點擊率記錄的混合音樂推薦系統(tǒng)[A];2009年通信理論與信號處理學(xué)術(shù)年會論文集[C];2009年

2 趙欣;寇綱;鄔文帥;盧艷群;;基于時間密集性的推薦系統(tǒng)攻擊檢測[A];第六屆（2011）中國管理學(xué)年會論文摘要集[C];2011年

3 張玉連;張波;張敏;;改進的個性化信息推薦系統(tǒng)的設(shè)計與實現(xiàn)[A];2005年全國理論計算機科學(xué)學(xué)術(shù)年會論文集[C];2005年

4 王君;許潔萍;;層次音樂推薦系統(tǒng)的研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

5 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務(wù)推薦系統(tǒng)[A];第三屆學(xué)生計算語言學(xué)研討會論文集[C];2006年

6 尤忠彬;陳越;張英;朱揚勇;;基于Web服務(wù)的技術(shù)轉(zhuǎn)移平臺推薦系統(tǒng)研究[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

7 王國霞;劉賀平;李擎;;二部圖影射及其在推薦系統(tǒng)中的應(yīng)用[A];第25屆中國控制與決策會議論文集[C];2013年

8 王雪;董愛華;吳怡之;;基于RFID技術(shù)的智能服裝推薦系統(tǒng)設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

相關(guān)重要報紙文章 前2條

1 ;大數(shù)據(jù)如何“落地”[N];中國新聞出版報;2014年

2 本報記者 鄒大斌;大數(shù)據(jù)：電商新武器[N];計算機世界;2012年

相關(guān)博士學(xué)位論文 前10條

1 周魏;推薦系統(tǒng)中基于目標(biāo)項目分析的托攻擊檢測研究[D];重慶大學(xué);2015年

2 田剛;融合維基知識的情境感知Web服務(wù)發(fā)現(xiàn)方法研究[D];武漢大學(xué);2015年

3 胡亮;集成多元信息的推薦系統(tǒng)建模方法的研究[D];上海交通大學(xué);2015年

4 孫麗梅;Web-based推薦系統(tǒng)中若干關(guān)鍵問題研究[D];東北大學(xué);2013年

5 鄭麟;基于屬性提升與偏好集成的上下文感知推薦[D];武漢大學(xué);2017年

6 王宏宇;商務(wù)推薦系統(tǒng)的設(shè)計研究[D];中國科學(xué)技術(shù)大學(xué);2007年

7 楊東輝;基于情感相似度的社會化推薦系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2014年

8 曹渝昆;基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的智能推薦系統(tǒng)研究[D];重慶大學(xué);2006年

9 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2012年

10 劉龍;一個能實現(xiàn)個性化實時路徑推薦服務(wù)的推薦系統(tǒng)框架[D];中國科學(xué)技術(shù)大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 朱孔真;基于云計算的電子商務(wù)智能推薦系統(tǒng)研究[D];武漢理工大學(xué);2014年

2 郭敬澤;基于賦權(quán)評分和Dpark的分布式推薦系統(tǒng)研究與實現(xiàn)[D];天津理工大學(xué);2015年

3 周俊宇;信息推薦系統(tǒng)的研究與設(shè)計[D];江南大學(xué);2015年

4 李煒;基于電子商務(wù)平臺的保險推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];復(fù)旦大學(xué);2013年

5 車豐;基于排序主題模型的論文推薦系統(tǒng)[D];大連海事大學(xué);2015年

6 秦大路;基于因式分解機模型的上下文感知推薦系統(tǒng)研究[D];鄭州大學(xué);2015年

7 徐霞婷;動態(tài)路網(wǎng)監(jiān)控與導(dǎo)航推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];蘇州大學(xué);2015年

8 黃學(xué)峰;基于Hadoop的電影推薦系統(tǒng)研究與實現(xiàn)[D];南京師范大學(xué);2015年

9 路小瑞;基于Hadoop平臺的職位推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];上海交通大學(xué);2015年

10 李愛寶;基于組合消費行為分析的團購?fù)扑]系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號：2145584