2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩152頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、電子商務(wù)、人工智能、云計算、移動計算等眾多領(lǐng)域的不斷發(fā)展和成熟,無時不刻都會有新的信息、產(chǎn)品、資源產(chǎn)生,由此催生了大數(shù)據(jù)時代的來臨。在這個時代中,信息過載已經(jīng)成了各個領(lǐng)域亟需解決的核心問題之一,與推薦系統(tǒng)相關(guān)的技術(shù)已經(jīng)成為了解決這個問題的一個有效的途徑。事實上,更為廣義的推薦系統(tǒng)技術(shù)已經(jīng)應(yīng)用于眾多領(lǐng)域,包括網(wǎng)頁排名、垃圾郵件過濾、在線約會等,因此推薦系統(tǒng)已經(jīng)成為了信息檢索、數(shù)據(jù)挖掘、社會網(wǎng)絡(luò)分析等領(lǐng)域的核心技術(shù)之一。

2、本文正是以此為切入點,對現(xiàn)有的推薦系統(tǒng)技術(shù)存在的不足進(jìn)行了深入剖析,并提出了新穎有效的解決方案。特別地,本文使用多元信息和機器學(xué)習(xí)的方法來構(gòu)造更全面的模型以此解決現(xiàn)有推薦系統(tǒng)的不足之處,其主要目的在于能夠更為精確對用戶偏好和物品特征進(jìn)行表示。此外,為了滿足推薦問題中所產(chǎn)生的新需求,本文設(shè)計了新型的推薦系統(tǒng)模型。
  在推薦系統(tǒng)中,少數(shù)流行的物品和少數(shù)活躍的用戶占據(jù)了大量的數(shù)據(jù),而其他物品和用戶僅僅占有很少的數(shù)據(jù),符合典型的長尾分布

3、。長尾分布說明用戶與物品普遍存在著異構(gòu)性,而傳統(tǒng)的基于獨立同分布假設(shè)的推薦模型無法表示出這樣的異構(gòu)性,為此本文提出了基于潛在特征的貝葉斯異方差選擇模型(BHCM)。首先,BHCM使用貝葉斯非參數(shù)方法來對用戶和物品進(jìn)行自動分組,并使用每個組特定的先驗分布來產(chǎn)生差異化的特征。此外,BHCM還對傳統(tǒng)選擇模型中過強的非此即彼的二值假設(shè)進(jìn)行了修正,提出了弱二值假設(shè)來建模選擇和未選擇。為此,本文設(shè)計了一個基于貝葉斯方法的異方差模型對每個選擇或未選擇

4、賦予不同的方差來表示不同的置信度。
  長尾分布的特性給推薦系統(tǒng)帶來了數(shù)據(jù)稀疏、冷啟動、異構(gòu)性、托攻擊等諸多問題,尤其對尾部用戶和尾部物品而言,這些問題顯得更為嚴(yán)重。為了應(yīng)對這些問題,本文提出了CoHMF模型,它由兩個異方差矩陣分解模型C-HMF和R-HMF組成,其中C-HMF的方差模型用來建模每一個用戶反饋的可信度;R-HMF的方差模型用來建模用戶選擇的物品的罕見度。CoHMF使用C-HMF所學(xué)習(xí)出的用戶和物品特征作為R-HMF

5、中用戶和物品特征的經(jīng)驗先驗,反過來R-HMF學(xué)出的用戶特征也可以用做是C-HMF用戶特征的經(jīng)驗先驗,通過使用彼此的經(jīng)驗先驗進(jìn)行互相正則化,這樣所學(xué)習(xí)出的潛在特征即能夠更真實反映出物品的特點,又能夠表示出用戶對尾部物品偏好。
  互聯(lián)網(wǎng)的發(fā)展使得新的應(yīng)用層出不窮,對每個用戶而言通常只對一些領(lǐng)域有足夠多的經(jīng)驗,而對其他的領(lǐng)域缺乏經(jīng)驗,所以推薦系統(tǒng)更應(yīng)該幫助用戶在經(jīng)驗缺乏的領(lǐng)域進(jìn)行選擇。然而當(dāng)前的推薦系統(tǒng)大都是建立在單一領(lǐng)域上,而在用戶

6、經(jīng)驗缺乏的領(lǐng)域上,意味著沒有足夠的用戶反饋信息,所以容易遭受冷啟動的問題。本文提出了非規(guī)則的跨領(lǐng)域張量分解模型(CDTF)用來建模用戶、物品和領(lǐng)域組成的三元關(guān)系,其中CDTF允許每個領(lǐng)域擁有不同數(shù)量的物品,并且每個領(lǐng)域的物品有著自身獨立的特征表示;通過每個領(lǐng)域自身的特征與跨領(lǐng)域的用戶特征相結(jié)合,來形成領(lǐng)域特定的用戶偏好的表示。此外,本文還提出了基于雙線性多水平分析(BLMA)的跨領(lǐng)域潛在特征模型,它把對用戶偏好特征的表示分解為了多個水平

7、,包括領(lǐng)域水平、群體水平和個人水平,其中每個水平都有著對應(yīng)的隨機效應(yīng)(潛在特征)。BLMA假設(shè)用戶所提供的反饋是各個水平的效應(yīng)綜合作用產(chǎn)生的結(jié)果,因此當(dāng)用戶數(shù)據(jù)缺失時,也可以通過其他水平的潛在特征來近似用戶偏好的特征。
  人類具有社會性,在日常生活存在著大量群體活動,因此產(chǎn)生了構(gòu)建群體推薦系統(tǒng)的需求。進(jìn)行群體推薦時,由于群體中各個成員之間的偏好存在著很大的差異,所以如何權(quán)衡每個成員偏好所產(chǎn)生的分歧,尋求使整個群體滿意度最大化的推

8、薦方案,是群體推薦系統(tǒng)所要解決的關(guān)鍵核心問題。當(dāng)前的群體推薦系統(tǒng)大都基于整合模型,這樣的模型直接構(gòu)建在數(shù)據(jù)上,因此它們對數(shù)據(jù)的質(zhì)量非常依賴。從本質(zhì)上來說,這些方法沒有能夠很好地對群體偏好特征進(jìn)行表示,而這是構(gòu)建一個成功的群體推薦系統(tǒng)最為關(guān)鍵的因素。本文提出了一個基于深度學(xué)習(xí)技術(shù)的群體推薦模型,它能夠表示出更為全面的高層次的群體偏好特征,以此來克服現(xiàn)有的淺層結(jié)構(gòu)模型直接耦合于數(shù)據(jù)所帶來的數(shù)據(jù)敏感性和脆弱性。
  對于上述所有模型,本

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論