本文關鍵詞：利用矩陣的低秩算法優(yōu)化排序問題

  更多相關文章： 低秩 流形學習 拉普拉斯正則 雙圖正則 數(shù)據(jù)聚類 搜索 排序

【摘要】：隨著大數(shù)據(jù)發(fā)展的今天，越來越多的數(shù)據(jù)被人們廣泛利用起來。無論是人們在醫(yī)療機構(gòu)留下的信息，還是在網(wǎng)上購物時留下的瀏覽痕跡，或是瀏覽網(wǎng)頁的地理位置。這些龐大的數(shù)據(jù)被記錄著，并且被廣泛利用。經(jīng)過對這些數(shù)據(jù)的分析得出他們所要的用途，我們即欣喜的看到，數(shù)據(jù)分析給我們生活帶來的改變，又對越來越龐大的數(shù)據(jù)集感到束手無策。 對于如此驚人的數(shù)據(jù)，人們開始利用機器進行學習，經(jīng)過對數(shù)據(jù)的處理和研究，我們發(fā)現(xiàn)許多機器學習的數(shù)據(jù)（度量學習，k的特征值）及數(shù)據(jù)的管理問題，我們都可以用矩陣的形式表示。現(xiàn)實中數(shù)以百計的數(shù)據(jù)，數(shù)據(jù)分析技術的空間和時間的復雜隨著數(shù)據(jù)問題的增大呈現(xiàn)二次方增長，使得大規(guī)模數(shù)據(jù)標的不可習慣，因此本文受非負矩陣的影響，提出了新的算法。 排序是信息檢索中的核心問題，，是如何讓用戶可以更快的找到想要查詢的內(nèi)容。 對于排序問題，我們主要有兩個方面的研究： （1）判斷相關性，網(wǎng)頁的文檔內(nèi)容作為判斷的基礎，以此判斷出文檔和用戶查詢的相關性。 （2）判斷重要程度，根據(jù)鏈接進行頁面重要性的判斷。 越來越多的排序方法被提出，但是我們提出了利用數(shù)據(jù)的聚類，對要查詢的數(shù)據(jù)進行分類的方法。 在此方法中，我們逐步改進了數(shù)據(jù)聚類的方法，對其最優(yōu)值和收斂性進行了討論，經(jīng)過比較，我們提出的雙圖正則法可以有效的對數(shù)據(jù)進行聚類，使其排序速度加快，響應時間縮短。在我們建立的排序聚類模型中發(fā)揮重要的作用。 本文主要討論就是將低秩矩陣結(jié)合現(xiàn)在的流形算法中，使其聚類的精度和速度有所提高，從而優(yōu)化查詢排序問題。 （1）我們證明了一個快速算法解決低秩二次半正定優(yōu)化問題。我們討論了非凸的二次矩陣半正定優(yōu)化問題，雖然問題非凸，但是這些問題有其特殊結(jié)構(gòu)，使得局部最優(yōu)解就是全局最優(yōu)，并在一系列機器問題上得到證明。 （2）利用流形數(shù)據(jù)和前一章的低秩結(jié)構(gòu)建立了雙圖正則的非負矩陣，我們利用前一章的證明結(jié)果，證明了模型的最優(yōu)性，及收斂性，該框架考慮了數(shù)據(jù)流形及幾何流形的特征，經(jīng)過試驗比較這種算法的聚類性更好。 （3）將這種聚類性更好的算法應用到排序模型中，對數(shù)據(jù)進行建模，然后利用雙圖正則進行聚類，對于新的查詢數(shù)據(jù)，判別其分類，對這一類對應排序函數(shù)應用到查詢的對應文檔中，從而得到排序的結(jié)果。
【關鍵詞】：低秩 流形學習 拉普拉斯正則 雙圖正則 數(shù)據(jù)聚類 搜索 排序
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：O223
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-15
• 1.1 研究的背景以意義10
• 1.2 國內(nèi)外研究現(xiàn)狀10-13
• 1.2.1 矩陣的低秩和稀疏分解算法10-11
• 1.2.2 流形學習的定義11-13
• 1.3 研究內(nèi)容13-15
• 第2章 低秩二次半正定規(guī)劃15-20
• 2.1 簡介15-16
• 2.2 優(yōu)化框架16-18
• 2.2.1 秩 k 特征值近似16-17
• 2.2.2 度量學習17-18
• 2.3 最優(yōu)性分析18
• 2.4 快速算法18-19
• 2.5 數(shù)值實驗結(jié)論19-20
• 第3章 流行學習20-25
• 3.1 流形學習的幾個基本概念20
• 3.2 流形學習的定義20-21
• 3.3 圖的拉普拉斯21-25
• 第4章 排序算法25-28
• 4.1 排序?qū)W習概述25
• 4.2 排序?qū)W習的方法介紹25-28
• 第5章 基于數(shù)據(jù)聚類優(yōu)化排序問題28-36
• 5.1 研究背景28-29
• 5.2 相關工作29-31
• 5.3 系統(tǒng)結(jié)構(gòu)31-33
• 5.3.1 查詢建模測算查詢之間的距離32
• 5.3.2 數(shù)據(jù)聚類的算法32-33
• 5.3.3 Ranking SVM 算法33
• 5.4 實驗33-36
• 第6章 總結(jié)與展望36-37
• 6.1 總結(jié)36
• 6.2 展望36-37
• 參考文獻37-40
• 作者簡介40-41
• 致謝41

【參考文獻】

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 曾憲華;流形學習的譜方法相關問題研究[D];北京交通大學;2009年

2 李勇周;人臉識別中基于流形學習的子空間特征提取方法研究[D];中南大學;2009年

3 林原;信息檢索中排序?qū)W習方法的研究[D];大連理工大學;2012年

本文編號：684748