當(dāng)今數(shù)據(jù)爆炸式增長導(dǎo)致信息過載日益嚴(yán)重。推薦系統(tǒng)是過濾信息并緩解信息過載的一種有效的解決方案,現(xiàn)已被各大網(wǎng)站廣泛使用。推薦系統(tǒng)的任務(wù)是建模用戶偏好并推薦感興趣的物品。在用戶與物品的反饋信息中,隱式反饋僅僅包含用戶的歷史行為信息,從中建模用戶偏好更具挑戰(zhàn)。在傳統(tǒng)的推薦算法中,單值排序和成對排序都是按用戶將物品劃分為已觀測物品和未觀測物品,然后基于該劃分建模用戶偏好。在實際生活中,已觀測物品可能包含用戶不喜歡的物品,未觀測物品中存在用戶喜歡的物品。因此,隱式反饋信息的這些噪聲會限制算法的性能。生成式對抗網(wǎng)絡(luò)（Generative Adversarial Net,GAN）的提出為建模隱式反饋信息提供了另一種思路——對抗學(xué)習(xí)。但是,極大極小的博弈過程導(dǎo)致對抗模型訓(xùn)練不穩(wěn)定且收斂緩慢。此外,標(biāo)準(zhǔn)GAN是為可微數(shù)據(jù)設(shè)計的,推薦系統(tǒng)中離散物品的采樣使得對抗模型不能使用梯度下降優(yōu)化。策略梯度是訓(xùn)練離散模型的常用方法,但梯度估計的高方差會增加對抗訓(xùn)練的不穩(wěn)定。針對上述問題,本文提出一種基于成對對抗學(xué)習(xí)（Adversarial Pairwise Learning,APL）的推薦算法。APL包含生成器和判別... 

【文章來源】：鄭州大學(xué)河南省 211工程院校

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 推薦系統(tǒng)研究現(xiàn)狀及挑戰(zhàn)
    1.3 本文工作概述
    1.4 本文組織結(jié)構(gòu)
2 相關(guān)工作
    2.1 推薦系統(tǒng)
        2.1.1 反饋信息
        2.1.2 協(xié)同過濾
        2.1.3 排序?qū)W習(xí)
    2.2 對抗模型
        2.2.1 生成式對抗網(wǎng)絡(luò)
        2.2.2 推薦系統(tǒng)中的對抗模型
3 基于成對對抗學(xué)習(xí)的推薦算法
    3.1 成對對抗學(xué)習(xí)框架
    3.2 成對損失函數(shù)
    3.3 基于矩陣分解的可微采樣策略
    3.4 算法流程與復(fù)雜度分析
4 實驗結(jié)果及分析
    4.1 實驗設(shè)置
        4.1.1 數(shù)據(jù)集介紹
        4.1.2 對比算法
        4.1.3 推薦性能的評價指標(biāo)
        4.1.4 參數(shù)選擇
    4.2 收斂性與穩(wěn)定性
    4.3 可微采樣效果
    4.4 推薦性能對比
    4.5 一致性評估
    4.6 訓(xùn)練時間對比
5 總結(jié)與展望
參考文獻(xiàn)
致謝
在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻(xiàn)】：
期刊論文
[1]聯(lián)合正則化的矩陣分解推薦算法[J]. 吳賓,婁錚錚,葉陽東.  軟件學(xué)報. 2018(09)



本文編號：3188181