本文選題：矩陣分解 + 局部信息�。� 參考：《華東師范大學(xué)》2017年博士論文

【摘要】：隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展,網(wǎng)民用戶(hù)和網(wǎng)絡(luò)產(chǎn)品數(shù)量成爆炸式增長(zhǎng),用戶(hù)從信息匱乏時(shí)代進(jìn)入信息過(guò)載時(shí)代。個(gè)性化推薦系統(tǒng)對(duì)用戶(hù)行為和企業(yè)商品特性數(shù)據(jù)建模,為用戶(hù)提供滿(mǎn)足他們興趣和需求的信息,同時(shí)為企業(yè)推廣提供目標(biāo)客戶(hù)。現(xiàn)代互聯(lián)網(wǎng)服務(wù)提供商,例如淘寶等在線(xiàn)購(gòu)物網(wǎng)站、愛(ài)奇藝等在線(xiàn)視頻網(wǎng)站、大眾點(diǎn)評(píng)等生活信息服務(wù)網(wǎng)站,提供大量商品給用戶(hù)消費(fèi),讓用戶(hù)給商品評(píng)分以及使用標(biāo)簽描述商品。針對(duì)以上用戶(hù)行為數(shù)據(jù),本文以矩陣分解相關(guān)理論為基礎(chǔ),建立模型以解決推薦系統(tǒng)中的三個(gè)典型任務(wù):(1)在隱式反饋數(shù)據(jù)上構(gòu)建商品推薦模型,推薦用戶(hù)感興趣的商品;(2)利用顯式評(píng)分?jǐn)?shù)據(jù)建立評(píng)分預(yù)測(cè)模型,預(yù)測(cè)用戶(hù)對(duì)商品的喜好值;(3)利用顯式標(biāo)簽數(shù)據(jù)建立標(biāo)簽推薦模型,方便用戶(hù)輸入來(lái)描述商品屬性,幫助推薦系統(tǒng)良性循環(huán)。本文的研究問(wèn)題和技術(shù)貢獻(xiàn)總結(jié)如下:1.基于加權(quán)局部矩陣分解的商品推薦:現(xiàn)有的針對(duì)隱式反饋數(shù)據(jù)的矩陣分解模型往往只從數(shù)據(jù)的全局信息出發(fā),忽略了數(shù)據(jù)之中的局部信息。為了利用隱式反饋數(shù)據(jù)的局部信息,本文提出了一種加權(quán)局部矩陣分解模型進(jìn)行商品推薦,并為該模型設(shè)計(jì)了高效的子矩陣選擇算法和改進(jìn)的交替最小二乘參數(shù)優(yōu)化算法,對(duì)用戶(hù)和商品的局部特性建模,同時(shí)緩解了數(shù)據(jù)稀疏性問(wèn)題。真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明該模型有較優(yōu)的推薦效果,并驗(yàn)證了考慮隱式反饋數(shù)據(jù)的局部信息有助于商品推薦。2.基于多主題矩陣分解的評(píng)分預(yù)測(cè):為克服現(xiàn)有工作中針對(duì)顯式評(píng)分?jǐn)?shù)據(jù)局部信息建模的不可解釋性和目標(biāo)函數(shù)的不一致性,本文提出了多主題矩陣分解模型。它結(jié)合主題模型和概率矩陣分解模型,利用主題模型建模數(shù)據(jù)局部信息和矩陣分解來(lái)刻畫(huà)用戶(hù)和商品的局部?jī)?nèi)在特征。本文使用貝葉斯方法建模主題矩陣分解模型,使得模型只需少量的經(jīng)驗(yàn)設(shè)置參數(shù)以得到更高的推薦準(zhǔn)確率。實(shí)驗(yàn)結(jié)果說(shuō)明該模型在評(píng)分預(yù)測(cè)中優(yōu)于其他局部矩陣分解模型,并對(duì)局部建模信息具有一定的可解釋性。3.時(shí)間感知的標(biāo)簽推薦:為了利用標(biāo)簽數(shù)據(jù)中用戶(hù)標(biāo)注標(biāo)簽的時(shí)間信息,本文提出了時(shí)間感知的張量分解模型。該模型利用Hawkes時(shí)間點(diǎn)過(guò)程對(duì)用戶(hù)使用標(biāo)簽的時(shí)間信息建模,并利用指數(shù)函數(shù)將Hawkes過(guò)程中的疊加形式轉(zhuǎn)化為遞歸形式,使得計(jì)算用戶(hù)當(dāng)前時(shí)間對(duì)標(biāo)簽的喜好值只跟上次使用標(biāo)簽的時(shí)間有關(guān),減少了大量的計(jì)算時(shí)間,并將其以權(quán)重的方式加入到逐對(duì)排序張量分解模型。實(shí)驗(yàn)結(jié)果表明該模型能夠有效地利用時(shí)間信息,提高標(biāo)簽準(zhǔn)確度,同時(shí)在冷啟動(dòng)問(wèn)題上也有較好的表現(xiàn),并且具有可接受的推薦新穎性。
[Abstract]:With the development of information technology and Internet, the number of Internet users and network products has increased explosively, and users have entered the era of information overload from the era of information scarcity. The personalized recommendation system models user behavior and enterprise commodity characteristics data, provides users with information to meet their interests and needs, and provides target customers for enterprise promotion. Modern Internet service providers, such as online shopping sites such as Taobao, online video sites such as iqiyi, and life information services such as Dianping, provide large quantities of goods for consumers to consume. Ask the user to rate the product and use labels to describe the product. Aiming at the above user behavior data, based on the matrix decomposition theory, this paper establishes a model to solve the problem of three typical tasks in the recommendation system: 1) construct the commodity recommendation model on the implicit feedback data. Using explicit scoring data to set up a rating prediction model, and predict the user's preference for the product / value / 3) using explicit label data to establish a label recommendation model to facilitate the user's input to describe the attributes of the product. Help recommendation system virtuous cycle. The research problems and technical contributions of this paper are summarized as follows: 1. Commodity recommendation based on weighted Local Matrix decomposition: the existing matrix decomposition model for implicit feedback data is usually based on the global information of the data and neglects the local information in the data. In order to make use of the local information of implicit feedback data, a weighted local matrix factorization model is proposed for commodity recommendation, and an efficient submatrix selection algorithm and an improved alternating least square parameter optimization algorithm are designed for the model. The local characteristics of users and commodities are modeled and the problem of data sparsity is alleviated. The experimental results on real data show that the model has a better recommendation effect, and it also verifies that the local information considering implicit feedback data is helpful to commodity recommendation. Score prediction based on multi-topic matrix factorization: in order to overcome the inexplicable modeling of local information of explicit scoring data and the inconsistency of objective function, a multi-topic matrix factorization model is proposed in this paper. It combines the topic model with the probability matrix decomposition model and uses the topic model to model the local information and matrix decomposition of the data to describe the local intrinsic characteristics of users and commodities. In this paper, Bayesian method is used to model the topic matrix decomposition model, so that the model needs only a small amount of experience to set the parameters to get a higher recommendation accuracy. The experimental results show that the model is superior to other local matrix decomposition models in score prediction, and has a certain interpretability for local modeling information. Time aware label recommendation: in order to use the time information of the label, this paper proposes a Zhang Liang decomposition model of time perception. The model uses the Hawkes time point process to model the time information of the user using the label, and uses the exponential function to transform the superposition form of the Hawkes process into the recursive form. It makes the preference value of the user's current time to the label only related to the last time of using the label, which reduces a lot of computing time, and adds it to the sorting Zhang Liang decomposition model by weight. The experimental results show that the model can effectively utilize the time information and improve the label accuracy, at the same time, it has a good performance on cold start problem, and it has the acceptable novelty of recommendation.
【學(xué)位授予單位】：華東師范大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 史加榮;鄭秀云;周水生;;矩陣補(bǔ)全算法研究進(jìn)展[J];計(jì)算機(jī)科學(xué);2014年04期

2 李聰;駱志剛;;用于魯棒協(xié)同推薦的元信息增強(qiáng)變分貝葉斯矩陣分解模型[J];自動(dòng)化學(xué)報(bào);2011年09期

3 袁運(yùn)祥;基于矩陣分解的子結(jié)構(gòu)法求解介紹[J];計(jì)算機(jī)應(yīng)用通訊;1981年00期

4 張海建;;分布式矩陣分解算法在推薦系統(tǒng)中的研究與應(yīng)用[J];科技通報(bào);2013年12期

5 何朕,趙文斌,于達(dá)仁;攝動(dòng)矩陣的分解[J];電機(jī)與控制學(xué)報(bào);2004年03期

6 李華云;;F范數(shù)及矩陣分解實(shí)例研究[J];現(xiàn)代情報(bào);2008年10期

7 鄒理和;;系數(shù)矩陣分解二維譜估值[J];信號(hào)處理;1985年03期

8 陳伯倫;陳];鄒盛榮;徐秀蓮;;基于矩陣分解的二分網(wǎng)絡(luò)社區(qū)挖掘算法[J];計(jì)算機(jī)科學(xué);2014年02期

9 王鋒;趙志文;牟盛;;整數(shù)提升小波多相矩陣分解系數(shù)的快速提取算法[J];中國(guó)圖象圖形學(xué)報(bào);2012年03期

10 段華杰;;考慮時(shí)間效應(yīng)的矩陣分解技術(shù)在推薦系統(tǒng)中的應(yīng)用[J];微型電腦應(yīng)用;2013年03期

相關(guān)會(huì)議論文 前2條

1 王春江;錢(qián)若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

2 王春江;王人鵬;錢(qián)若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

相關(guān)博士學(xué)位論文 前8條

1 王中卿;基于文本信息的社會(huì)關(guān)系分析與研究[D];蘇州大學(xué);2016年

2 王嘯;基于生成模型和矩陣分解的社區(qū)發(fā)現(xiàn)算法研究[D];天津大學(xué);2015年

3 王科強(qiáng);基于矩陣分解的個(gè)性化推薦系統(tǒng)[D];華東師范大學(xué);2017年

4 李英明;矩陣分解在數(shù)據(jù)挖掘中的應(yīng)用[D];浙江大學(xué);2014年

5 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

6 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀(guān)結(jié)構(gòu)[D];清華大學(xué);2014年

7 胡惠軼;基于分解的系統(tǒng)辨識(shí)方法研究[D];江南大學(xué);2014年

8 陳根浪;基于社交媒體的推薦技術(shù)若干問(wèn)題研究[D];浙江大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 秦曉暉;個(gè)性化微博推薦方法研究[D];華南理工大學(xué);2015年

2 劉鳳林;基于矩陣分解的協(xié)同過(guò)濾推薦算法研究[D];南京理工大學(xué);2015年

3 李源鑫;基于提升的信任融合矩陣分解推薦算法[D];福建師范大學(xué);2015年

4 陳洪濤;基于矩陣分解的常規(guī)與長(zhǎng)尾捆綁推薦的博弈研究[D];福建師范大學(xué);2015年

5 張濟(jì)龍;基于概率矩陣分解的推薦算法研究[D];燕山大學(xué);2015年

6 鄧志豪;基于物品相似度和主題回歸的矩陣分解推薦算法[D];浙江大學(xué);2015年

7 余露;利用矩陣分解算法建模數(shù)據(jù)稀疏環(huán)境下用戶(hù)協(xié)同行為[D];杭州師范大學(xué);2015年

8 倪澤明;混合用戶(hù)行為建模的概率矩陣分解推薦算法[D];浙江大學(xué);2015年

9 丁浩;基于協(xié)同矩陣分解的藥物靶標(biāo)相互作用關(guān)系預(yù)測(cè)[D];復(fù)旦大學(xué);2014年

10 吳世偉;社會(huì)網(wǎng)絡(luò)中的鏈接分析[D];復(fù)旦大學(xué);2014年

，

本文編號(hào)：1899441