基于半監(jiān)督學(xué)習(xí)的個(gè)性化推薦研究.pdf

1、隨著社交網(wǎng)絡(luò)和電子商務(wù)等互聯(lián)網(wǎng)技術(shù)的發(fā)展,人們逐漸從信息匱乏的時(shí)代步入“信息超載”的時(shí)代。海量信息在給用戶帶來極大便利的同時(shí),也使用戶迷失在信息的海洋中,很難找到自己感興趣的信息。個(gè)性化推薦是解決該問題最有效的工具,它通過主動挖掘用戶的興趣偏好,為用戶推送個(gè)性化的信息。
　　當(dāng)前,主流的個(gè)性化推薦方法包括:基于協(xié)同過濾的方法和基于內(nèi)容的方法。協(xié)同過濾的方法通過計(jì)算用戶興趣偏好的相似性,從而為目標(biāo)用戶過濾和篩選感興趣的物品,它主要是

2、基于用戶的行為信息進(jìn)行推薦,而沒有真正利用物品的內(nèi)容信息和用戶的標(biāo)簽信息,同時(shí)也存在著數(shù)據(jù)稀疏和冷啟動等問題;基于內(nèi)容的推薦本質(zhì)上則是一種信息過濾技術(shù),僅僅通過學(xué)習(xí)用戶歷史選擇的物品信息,缺乏對用戶反饋信息的挖掘,這也往往會造成推薦結(jié)果過度特殊化。
　　針對上述推薦方法存在的問題,本文提出了利用半監(jiān)督學(xué)習(xí)的方法實(shí)現(xiàn)基于用戶行為信息與物品內(nèi)容信息的個(gè)性化推薦。其主要工作如下:
　　①針對協(xié)同過濾推薦方法存在計(jì)算相似度方式單一等

3、問題,提出了基于距離度量與高斯混合模型的半監(jiān)督聚類的推薦方法。傳統(tǒng)的協(xié)同過濾方法時(shí)間復(fù)雜度和用戶數(shù)的增長近似于平方關(guān)系,當(dāng)用戶數(shù)很大時(shí),計(jì)算非常耗時(shí)。本文提出利用聚類分析的方法替代用戶興趣的相似度計(jì)算,且綜合考慮了用戶行為偏好和物品內(nèi)容信息。具體在聚類分析中,算法不僅考慮了數(shù)據(jù)的幾何特征,也兼顧了數(shù)據(jù)的正態(tài)分布信息。
　　②針對個(gè)性化推薦中用戶興趣標(biāo)簽偏少的問題,提出了基于主動學(xué)習(xí)和協(xié)同訓(xùn)練的半監(jiān)督推薦方法。傳統(tǒng)的基于分類模型的推

4、薦方法,當(dāng)有標(biāo)簽數(shù)據(jù)偏少時(shí),對挖掘用戶潛在興趣偏好非常不利,本文利用主動學(xué)習(xí)的策略抽取數(shù)據(jù)集中具有最大信息量的樣本,通過咨詢(Query)方式或領(lǐng)域?qū)＜覙?biāo)注的方式獲得相應(yīng)的標(biāo)簽,增加了訓(xùn)練模型的樣本空間,以改進(jìn)個(gè)性化推薦的質(zhì)量。
　?、坩槍χ鲃訉W(xué)習(xí)的方法加重了用戶的負(fù)擔(dān)或增加了人力成本的問題,提出了基于高斯對稱分布的自增量學(xué)習(xí)的半監(jiān)督推薦方法。該方法充分利用了大量的無標(biāo)簽的數(shù)據(jù),并結(jié)合一定的有標(biāo)簽數(shù)據(jù)進(jìn)行建模。具體在算法中,通過挑

5、選具有高置信度且高斯對稱分布的數(shù)據(jù)進(jìn)行自增量學(xué)習(xí),以改進(jìn)個(gè)性化推薦的質(zhì)量。
　　④針對在構(gòu)建特征向量過程中,用戶行為特征與物品內(nèi)容特征的權(quán)重不易權(quán)衡的問題,提出了基于圖模型的半監(jiān)督推薦方法。算法通過SELF等方法計(jì)算權(quán)衡因子,且根據(jù)用戶的行為信息構(gòu)造基于最近鄰圖的權(quán)重矩陣。算法利用 Sigmoid映射函數(shù)來度量兩個(gè)用戶的興趣相似度,并在算法的損失函數(shù)中包括用戶行為相似性約束和物品內(nèi)容相似性約束,且兩部分約束的權(quán)重由一個(gè)平衡因子權(quán)衡