【摘要】：本文調(diào)研了目前推薦系統(tǒng)中常用的推薦算法,發(fā)現(xiàn)了在目前推薦系統(tǒng)中大多采用基于評(píng)分預(yù)測(cè)的方法。基于評(píng)分預(yù)測(cè)的方法過(guò)多地看重了準(zhǔn)確預(yù)測(cè)評(píng)分的重要性。因而,本文提出了基于排序的學(xué)習(xí)方法來(lái)建立推薦模型。本文的研究?jī)?nèi)容主要包括以下幾方面:1、將三種 LTR(Learning To Rank)算法,包括 Pointwise、Pairwise與List-wise,遷移至推薦任務(wù)中,并建立模型。并提出基于排序模型的幾點(diǎn)改進(jìn)。系統(tǒng)采取了基于“樣本對(duì)排序”的學(xué)習(xí)來(lái)建立推薦模型,并加入了零樣本采樣以提高訓(xùn)練效果。2、非結(jié)構(gòu)化文本的建模。提出了基于詞向量并結(jié)合人工定義維度的方法來(lái)建立文本模型。3、評(píng)分模型與評(píng)論文本模型的融合。在分別建立用戶評(píng)分、用戶評(píng)論的模型之后,本文提出了融合評(píng)分與評(píng)論兩部分模型的方法。結(jié)合文本建模與對(duì)排序模型,使得推薦的結(jié)果更加具有可解釋性。
[Abstract]:This paper investigates the commonly used recommendation algorithms in the current recommendation system, and finds that most of the current recommendation systems use the method based on score prediction. The method based on score prediction values the importance of accurate prediction. Therefore, this paper proposes a learning method based on ranking to establish a recommendation model. The main research contents of this paper are as follows: 1. Three kinds of LTR (Learning To Rank) algorithms, including Pointwise,Pairwise and List-wise, are migrated to the recommended task, and the model is established. Some improvements based on the sort model are proposed. The system adopts the learning of "sample to sort" to establish the recommendation model, and adds zero sample sampling to improve the training effect. 2. Modeling of unstructured text. A method based on word vector and artificial definition dimension is proposed to build text model. 3. Fusion of scoring model and comment text model. After establishing the model of user rating and user comment, this paper proposes a method to combine the two models of rating and comment. Combined with text modeling and sorting model, the recommended results are more interpretable.
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳亞欣;薛竹茗;;新媒體時(shí)代微博輿論監(jiān)督特點(diǎn)及發(fā)展策略[J];人民論壇;2015年02期

2 陳洪濤;肖如良;林麗玉;顏杰敏;蔡聲鎮(zhèn);;一種數(shù)據(jù)遞增式的混合推薦方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2014年10期

3 李文海;許舒人;;基于Hadoop的電子商務(wù)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)工程與設(shè)計(jì);2014年01期

4 楊陽(yáng);向陽(yáng);熊磊;;基于矩陣分解與用戶近鄰模型的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)應(yīng)用;2012年02期

5 王衛(wèi)平;王金輝;;基于Tag和協(xié)同過(guò)濾的混合推薦方法[J];計(jì)算機(jī)工程;2011年14期

6 蘇玉召;趙妍;;個(gè)性化關(guān)鍵技術(shù)研究綜述[J];圖書(shū)與情報(bào);2011年01期

7 劉建國(guó);周濤;汪秉宏;;個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J];自然科學(xué)進(jìn)展;2009年01期

8 郭艷紅;鄧貴仕;;協(xié)同過(guò)濾系統(tǒng)項(xiàng)目冷啟動(dòng)的混合推薦算法[J];計(jì)算機(jī)工程;2008年23期

9 李紹華;高文宇;;搜索引擎頁(yè)面排序算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2007年06期

10 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應(yīng)用戶興趣變化的協(xié)同過(guò)濾推薦算法[J];計(jì)算機(jī)研究與發(fā)展;2007年02期

相關(guān)碩士學(xué)位論文 前7條

1 魯權(quán);基于協(xié)同過(guò)濾模型與隱語(yǔ)義模型的推薦系統(tǒng)研究與實(shí)現(xiàn)[D];湖南大學(xué);2013年

2 杜英;基于協(xié)同過(guò)濾技術(shù)的個(gè)性化推薦系統(tǒng)研究[D];天津師范大學(xué);2012年

3 張利慶;基于定位的移動(dòng)廣告?zhèn)�性化推薦系統(tǒng)研究[D];湖南師范大學(xué);2012年

4 黃勛;BFGS法降低OFDM系統(tǒng)PAPR的研究[D];華中科技大學(xué);2011年

5 房娟艷;混合群搜索優(yōu)化算法及其應(yīng)用研究[D];太原科技大學(xué);2010年

6 林洋港;概率主題模型在文本分類中的應(yīng)用研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2009年

7 崔彬;非線性最優(yōu)化擬牛頓算法研究[D];中國(guó)石油大學(xué);2008年

，

本文編號(hào)：2369194