個性化推薦作為解決信息負載的重要手段,正受到學術(shù)界越來越多的關(guān)注和研究,給商業(yè)平臺帶來不可估量的收益。將推薦系統(tǒng)視為一個查詢-排序問題,生成對抗網(wǎng)絡(Generative Adversarial Networks,GANs)以其生成模型和判別模型動態(tài)對抗互利共贏的特性可以很好的模擬推薦領(lǐng)域中用戶與推薦系統(tǒng)的交互過程。然而原始GANs僅限于生成連續(xù)數(shù)據(jù),為解決推薦領(lǐng)域以離散文本為主流數(shù)據(jù)形式的問題,通常采用強化學習(Reinforcement Learning,RL)的策略梯度(Policy Gradient)來求取生成模型的近似梯度,卻容易產(chǎn)生高方差,引起樣本擾動,導致模型難以收斂。況且GANs向來難以訓練,應用于推薦“模型崩潰”依舊存在,網(wǎng)絡泛化性欠佳。針對上述問題提出一種基于異構(gòu)Generator-Discriminator集成的推薦算法(Heterogeneous Generator-Discriminator Ensemble,HGDE),動態(tài)模擬用戶和推薦系統(tǒng)的交互過程,在已有的將GANs應用于推薦的算法基礎(chǔ)上做了以下改進:i)采用動態(tài)負采樣的方法初步過濾候選集,減小查詢海量...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究概況
    1.3 主要研究內(nèi)容
    1.4 論文結(jié)構(gòu)
2 關(guān)鍵技術(shù)理論基礎(chǔ)
    2.1 個性化推薦算法
    2.2 生成對抗網(wǎng)絡
    2.3 集成學習
    2.4 負采樣優(yōu)化算法
    2.5 本章小結(jié)
3 基于生成對抗網(wǎng)絡的推薦算法
    3.1 基本原理與形式化定義
    3.2 模型設(shè)計思路
    3.3 對抗網(wǎng)絡應用于推薦核心模塊理論推導
    3.4 本章小結(jié)
4 基于異構(gòu)生成對抗網(wǎng)絡集成的推薦算法
    4.1 問題描述
    4.2 模型設(shè)計
    4.3 算法偽碼與復雜度分析
    4.4 本章小結(jié)
5 實驗評估
    5.1 實驗配置
    5.2 相關(guān)評測指標以及對照實驗
    5.3 實驗結(jié)果對比和分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 課題展望
致謝
參考文獻



本文編號：3818507