在當今的很多應用中,在線推薦已經成為一個重要特征。為了更好的用戶體驗和更高效的信息搜索,在電子商務、流服務、新聞、音樂等眾多服務平臺中,在線推薦都是一個重要的應用模塊。各種在線推薦算法由此應運而生,越來越多的研究工作集中于探索如何應用所有歷史數(shù)據(jù)生成一個更好的推薦模型從而得到更好的推薦結果。實際上,用戶和推薦系統(tǒng)之間可能存在稀疏交互,也就是說,用戶在使用過程中并不總是和推薦系統(tǒng)進行交互,這有可能影響用于生成模型的歷史日志數(shù)據(jù)的質量。例如,有些用戶更喜歡瀏覽推薦列表的標題,而不是點擊查看推薦內容的詳情信息。此外,有些用戶可能只是打開網頁而做著其他事情,其注意力并不在網頁內容上,推薦內容完全被忽視。因此,在這些情境下產生的日志數(shù)據(jù)中,一個獎賞為零的反饋并不一定代表負反饋（即不符合用戶興趣）,而有可能是無反饋（即未被觀測）。當每次只有一個物品推薦給用戶并且沒有其他多余上下文信息時,區(qū)分負反饋和無反饋變得更加棘手。大多數(shù)已有推薦策略都忽視了負反饋和無反饋之間的區(qū)別,他們將所有歷史數(shù)據(jù)都當作有效反饋數(shù)據(jù),并使用所有的歷史數(shù)據(jù)訓練用戶模型。事實上,由于用戶稀疏交互的高發(fā)性,所有歷史數(shù)據(jù)中包含了很大... 

【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖２－１：新聞推薦??ＬｉｎＵＣＢ中假設?

圖２－２：信號分解??傅里葉變換的基本原理是：任意一個復雜的信號都能夠被分解為多個正弦??函數(shù)的疊加。如圖２－２所示，黑色的線代表的是原始復雜信號，看起來并不規(guī)??律，沒有周期性；而其他顏色的線均為分解得到的正弦信號，各自周期不同。??我們可以看到很多的止弦丨／ｉ兮共同組成一個復雜的原始信號。ｉｆ：弦函數(shù)使用??地越多，我們就可以越精確地擬合原始Ｕ號。??

計算機只能處理離散形式的數(shù)據(jù)，因此，離散傅里葉變換可以被用于這種??離散信號的變換。離散傅里葉變換是傅里葉變換的一種離散形式，在時域和頻??域上都是離散的形式。在普通信號處理中，信號是連續(xù)的。如圖２－３所示，原??始信號為藍線所示，但這種連續(xù)的信號無法被計算機處理。所以，我們需要通??過采樣技術，從原始信號中采用得到離散值從而傳輸給計算機。通常我們采用??的采樣技術為等間隔采樣，也就是每隔一個固定的間隔對原始信號進行采樣，??如圖中橘色虛線所示，記錄每次采樣對應的信號值，最終得到的一個時間序列??為離散值序列，可以交由計算機進行處理。對離散信號值進行傅里葉變換的過??程，我們稱為離散傅里葉變換。??－°－５?｜?ｉ｜／??－１．０??０?１?２?３?４?５?—?＂Ｔ—??圖２－３：信號離散化??２．４．１．３快速傅里葉變換及反傅里葉變換??快速傅里葉變換（Ｆａｓｔ?Ｆｏｕｒｉｅｒ?Ｔｒａｎｓｆｏｒｍ，?ＦＦＴ）?１４７１是離散傅里葉變換的快??速算法


本文編號：3088221