推薦系統(tǒng)作為一個處理信息過載的有效解決方案,近年來,被廣泛應用于各個領(lǐng)域中。然而,大規(guī)模的用戶和物品使推薦系統(tǒng)的在線推薦變慢,從而使推薦陷入低效的瓶頸�？焖贆z索的哈希技術(shù),成為解決在線推薦效率瓶頸的一個有效方案。目前存在兩種基于哈希的推薦算法,第一種是基于二階段量化的哈希算法。第二種是基于學習的哈希算法。前者的缺陷是過度簡化了離散優(yōu)化問題,導致大量信息損失,使推薦精度受到較大影響;后者的缺陷是針對推薦系統(tǒng)所建立的離散優(yōu)化模型與推薦系統(tǒng)的終極目標不一致,以及利用離散坐標下降算法的時間復雜度較高,使更新推薦系統(tǒng)的開銷高。為解決上述問題,本文分別對以上兩種哈希算法進行了深入的研究,主要貢獻總結(jié)如下:首先,為解決基于量化的哈希算法中由量化過程的信息損失導致的低精度推薦問題,本文提出了一種新的二階段量化方案:基于量化的哈希算法（QBH）,它包括相似度量化和模長量化,這種更精細的量化方法在很大程度上降低了量化過程的信息損失。本文通過QBH得到的哈希碼建立兩種不同的偏好預測模型:基于內(nèi)積保持的哈希推薦算法（QBH₁）和無約束的偏好保持哈希推薦算法（QBH₂... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：116 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
縮略詞表
符號說明
第一章 緒論
    1.1 研究背景與意義
    1.2 推薦系統(tǒng)研究現(xiàn)狀
        1.2.1 協(xié)同過濾算法
        1.2.2 混合推薦系統(tǒng)
        1.2.3 基于哈希的推薦算法
    1.3 研究面臨的問題與挑戰(zhàn)
        1.3.1 冷啟動問題
        1.3.2 數(shù)據(jù)稀疏問題
        1.3.3 可擴展問題
    1.4 本文研究目標
    1.5 本文研究內(nèi)容及創(chuàng)新點
    1.6 本文章節(jié)安排
第二章 推薦系統(tǒng)基礎(chǔ)
    2.1 推薦任務(wù)
    2.2 推薦模型
        2.2.1 基于實數(shù)的推薦模型
        2.2.2 基于哈希的推薦模型
    2.3 在線推薦
    2.4 評估指標
        2.4.1 基于Accuracy@k的評估指標
        2.4.2 基于NDCG@k的評估指標
        2.4.3 基于AUC的評估指標
        2.4.4 基于MRR的評估指標
    2.5 實驗設(shè)置
        2.5.1 數(shù)據(jù)來源
        2.5.2 數(shù)據(jù)劃分
        2.5.3 參數(shù)設(shè)置
        2.5.4 對比方法
    2.6 本章小結(jié)
第三章 基于量化的哈希協(xié)同過濾
    3.1 引言
    3.2 問題描述
    3.3 基于量化的哈希協(xié)同過濾算法
        3.3.1 評分預測模型
        3.3.2 偏好保持的哈希量化策略
        3.3.3 優(yōu)化模長量化的維度
    3.4 實驗與結(jié)果分析
        3.4.1 實驗設(shè)置
        3.4.2 對比方法
        3.4.3 實驗結(jié)果分析
    3.5 本章小結(jié)
第四章 基于學習的哈希協(xié)同過濾
    4.1 引言
    4.2 符號說明
    4.3 離散偏好排序模型
        4.3.1 排序預測的損失函數(shù)
        4.3.2 離散偏好排序模型
    4.4 模型優(yōu)化
        4.4.1 初始化
        4.4.2 更新用戶的哈希碼
        4.4.3 更新物品的哈希碼
        4.4.4 更新中間變量
    4.5 實驗與結(jié)果分析
        4.5.1 實驗設(shè)置
        4.5.2 對比方法
        4.5.3 實驗結(jié)果分析
    4.6 本章小結(jié)
第五章 基于學習的哈�；旌贤扑]系統(tǒng)
    5.1 引言
    5.2 基礎(chǔ)知識
        5.2.1 深度置信網(wǎng)絡(luò)
        5.2.2 去噪自編碼器
    5.3 基于學習的哈�；旌贤扑]模型
        5.3.1 評分預測的目標函數(shù)
        5.3.2 排序預測的目標函數(shù)
        5.3.3 內(nèi)容感知的目標函數(shù)
        5.3.4 離散深度學習模型
        5.3.5 離散按對排序的哈希模型
    5.4 模型優(yōu)化
        5.4.1 初始化
        5.4.2 更新用戶的哈希碼
        5.4.3 更新物品的哈希碼
        5.4.4 更新深度學習參數(shù)
        5.4.5 更新中間變量
        5.4.6 算法
    5.5 實驗與結(jié)果分析
        5.5.1 實驗數(shù)據(jù)
        5.5.2 實驗設(shè)置
        5.5.3 實驗結(jié)果分析
    5.6 本章小結(jié)
第六章 基于整數(shù)規(guī)劃的哈希學習算法
    6.1 引言
    6.2 基礎(chǔ)知識
        6.2.1 BQP問題
        6.2.2 SDR近似技術(shù)
    6.3 基于整數(shù)規(guī)劃的哈希學習模型
        6.3.1 離散排序的矩陣分解模型
        6.3.2 基于自步學習的離散排序矩陣分解模型
    6.4 模型優(yōu)化
        6.4.1 更新用戶的哈希碼
        6.4.2 更新物品的哈希碼
        6.4.3 更新變分參數(shù)
        6.4.4 更新權(quán)重
        6.4.5 算法復雜度分析
    6.5 實驗與結(jié)果分析
        6.5.1 實驗設(shè)置
        6.5.2 實驗結(jié)果分析
    6.6 本章小結(jié)
第七章 全文總結(jié)與展望
    7.1 全文總結(jié)
    7.2 未來工作展望
致謝
參考文獻
攻讀博士學位期間取得的成果


【參考文獻】：
期刊論文
[1]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 張子柯,周濤,張翼成.  Journal of Computer Science & Technology. 2011(05)



本文編號：3086929