隨著移動上網設備的普及和互聯(lián)網技術的發(fā)展,網絡用戶的迅速增加,網絡資源極大豐富。面對海量的網絡資源和用戶請求,內容提供商如何構建推薦系統(tǒng)以對網絡資源進行檢索和篩選、滿足用戶的個性化需求,成為多媒體推薦領域亟待解決的問題。而大規(guī)模場景下,傳統(tǒng)推薦算法存在擴展性、冷啟動、數據稀疏性、模型更新等問題,難以為用戶提供個性化優(yōu)質信息和服務。本論文針對推薦算法中的數據稀疏性問題進行研究,主要集中于以下三個方面:1.用戶偏好的存在使得用戶僅會與推薦系統(tǒng)中感興趣的物品進行交互,進而導致數據稀疏。然而用戶偏好會隨著時間的推移而動態(tài)變化,因此需要對用戶偏好的時序特征進行進一步研究。2.網絡資源的豐富使得推薦系統(tǒng)中的數據規(guī)模更加龐大,數據更加稀疏,數據分布的不均衡性進一步凸顯。如何使推薦系統(tǒng)學習到小眾物品的特征,解決數據稀疏問題,是當前大規(guī)模推薦中的研究熱點和難點。3.移動網絡用戶的增長和用戶個性化需求的增加給現有推薦系統(tǒng)帶來了巨大的負載壓力。如何對云端大規(guī)模推薦系統(tǒng)的負載進行卸載,同時滿足用戶的個性化需求,是當前個性化多媒體推薦研究的熱點問題。面對以上的三個方面的問題,本論文的主要工作和創(chuàng)新點包括以下四點... 

【文章來源】：中國科學技術大學安徽省 211工程院校 985工程院校

【文章頁數】：135 頁

【學位級別】：博士

【部分圖文】：

017年12月一018年12月中國網民各類手機互聯(lián)網應用的使用率川

傳統(tǒng)的推薦算法以協(xié)同過濾（ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ，?ＣＦ）、基于內容的推薦??（ｃｏｎｔｅｎｔ－ｂａｓｅｄ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ）、矩陣分解（ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ，?ＭＦ）等算法為??主。然而由于用戶和資源數目飛速增長，這些算法所需要的計算、存儲等資源呈??爆炸式增長。海量的數據給推薦系統(tǒng)帶來巨大的負載，同時也為算法學習用戶特??征提供了資源，但是受限于算法本身，這些算法的性能并沒有很大的提升。??而面對海量數據的處理，深度學習算法在自然語言處理（ｎａｔｕｒａｌ?ｌａｎｇｕａｇｅ??ｐｒｏｃｅｓｓｉｎｇ，?ＮＬＰ）、圖像處理（ｉｍａｇｅ?ｐｒｏｃｅｓｓｉｎｇ）、人臉識別（ｆａｃｉａｌ?ｒｅｃｏｇｎｉｔｉｏｎ）??

推薦系統(tǒng)中的數據稀疏是指每個用戶僅與系統(tǒng)中的少量物品進行交互，導致推??薦算法難以從中完整地學習到用戶偏好。數據稀疏問題的產生是由于每個用戶??都有著不同的興趣喜好，因此用戶只會與系統(tǒng)中自己感興趣的物品進行交互，忽??略系統(tǒng)中其他不喜歡和暫時不感興趣的物品。同時對于感興趣的物品，用戶也只??會與其中已經被發(fā)現的物品進行交互，仍然有大量用戶感興趣的物品被海量的??其他物品所淹沒。而用戶和物品規(guī)模的擴大，局部聚集的數據被匯聚在一起，使??得推薦系統(tǒng)中的數據更加稀疏。??由用戶偏好帶來的數據稀疏問題給推薦算法的性能帶來了災難性的影響。因??為用戶的偏好是多種多樣且覆蓋廣泛的，正如長尾（ｌｏｎｇｔａｉｌ）效應［１２］所說，單??一用戶所感興趣的物品中僅有少量為熱門物品，其余的大部分物品在推薦系統(tǒng)??中可能仍屬于小眾物品，相對整個用戶群體來說，僅有少量用戶會喜歡該物品。??如圖１．４所示，在不同的數據集中，物品的流行度和用戶的活躍度都呈現出長尾??分布。所以推薦算法想從稀疏的數據中學習用戶偏好非常困難。????１００?ｏ？］?：???，?Ｓｉ??

【參考文獻】：
期刊論文
[1]基于深度學習加強的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學學報(自然科學版). 2017(10)
[2]一種現場、彈性、自治的網絡服務系統(tǒng)——海服務系統(tǒng)研究與設計[J]. 王勁林,田靜,尤佳莉,劉學,鄧浩江.  中國科學:信息科學. 2015(10)
[3]海云協(xié)同環(huán)境下服務運營環(huán)境關鍵技術的探討[J]. 馬斌,馮波.  網絡新媒體技術. 2015(02)
[4]大規(guī)模互聯(lián)網推薦系統(tǒng)優(yōu)化算法[J]. 姜鵬,許峰,周文歡.  計算機工程與科學. 2013(12)



本文編號：2950161