收藏本站
《北京大学》 2019年
收藏 | 手机打开
二维码
手机客户端打开本文

基于辅助信息的个性化推荐算法研究

杜鹰鹏  
【摘要】:互联网技术的飞速发展导致了信息的爆炸式增长,人们难以在海量的信息中及时准确地捕获自身所需要的部分,从而引发了“信息过载”问题。为了缓解这一问题,个性化推荐系统应运而生,它可以帮助人们发现和挖掘所需要或感兴趣的信息。早期的推荐算法大多只考虑了用户与项目(user-item)的二元关系,这可能导致推荐算法的推荐性能不佳。近年来,人们开始利用用户所处的环境和状态(如位置、时间等等,被称为上下文信息context information)或者用户和项目的属性描述(如用户的性别、项目的品牌等等,被称为侧信息side information)等辅助信息,来提高推荐算法的性能表现。本文通过对已有研究工作进行总结,发现现有算法主要存在以下问题:1)依赖于专家的人力工作来构造特征和选择特征;2)难以学习到真实世界中数据的非线性关系和复杂结构;3)依赖于深度神经网络模型,复杂度较高并且缺乏可解释性。针对上述问题,本文提出了一个适用于推荐任务的表征学习框架,可以有效地将辅助信息融入推荐过程:1)该框架采取了端到端(end-to-end)的结构,可以自动学习用户和项目的有效混合表征,无需人工构造和选择特征。2)该框架提出了一种N-way级联池化融合方法,该方法能够学习到真实世界中数据的非线性关系和复杂结构。3)该框架可以采取简洁的实现形式来融合辅助信息,并可以在不同的情境下根据实际需要设计实现方法,增强了模型的可解释性。本研究认为,不同类型的辅助信息具有不同的特点,推荐过程应该考虑到辅助信息自身的特点,这样才能有效地将它们融入推荐过程,增加模型的可解释性。本研究根据辅助信息类型的特点,提出了表征学习框架的两种不同实现方法——基于上下文信息的层次混合表征模型和基于侧信息的行为推断表征模型。对于前者,本研究认为用户的行为很大程度上取决于他们的一般偏好和所处的上下文环境,将在上下文情景下的表征学习框架实现为一种层次混合表征模型。该模型采取了两层结构的表征学习框架来学习用户相对于上下文环境的动态偏好:第一层将用户所处的上下文环境特征融合成上下文表征向量,第二层将用户的一般偏好向量和上下文表征向量相结合,来表示用户相对于上下文环境的动态偏好。对于后者,本研究认为用户和项目的侧信息有助于刻画用户的偏好和项目的特性。然而,用户和项目可能会对他(它)们的侧信息“撒谎”或“保持沉默”,导致“刻画”的失真或不足。为了解决这个问题,本研究利用异质信息网络中与行为有关的元路径来推断用户和项目的隐式画像信息,缓解这种“刻画”的失真或不足。本文将侧信息情景下的表征学习框架实现为一种基于行为推断的表征模型。该模型首先挖掘出用户和项目的隐式画像特征,然后通过推理模型将这些特征统一表征,最后输入表征学习框架来学习用户和项目有效的混合表征。本研究通过大量的实验发现:在大量真实世界数据集上,基于表征学习框架的实现模型表现均优于当前高水准的推荐算法。这表明:1)本文提出的推荐表征学习框架可以有效地探索到真实世界中数据的非线性关系和复杂结构,且不依赖于人工构造和选择特征。2)表征学习推荐框架可以将不同类型的辅助信息用以推荐过程,同时该框架可以根据辅助信息类型采取不同的实现形式,使得模型具有较强的解释性。
【学位授予单位】:北京大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.3

【参考文献】
中国期刊全文数据库 前1条
1 许海玲;吴潇;李晓东;阎保平;;互联网推荐系统比较研究[J];软件学报;2009年02期
【共引文献】
中国期刊全文数据库 前10条
1 廖开际;欧阳解文;席运江;;基于位置信息的协同过滤推荐算法[J];系统工程;2015年12期
2 胡潜;林鑫;;社会化标注系统中基于标签和项目的兴趣建模比较研究[J];情报学报;2015年12期
3 付达杰;张小波;;基于用户兴趣与隐私保护的网络信息资源个性化推荐技术[J];景德镇学院学报;2015年06期
4 张翔;朱明;孙吟龙;方雪峰;;网络电视直播中的虚拟频道生成算法[J];计算机工程;2015年12期
5 柳先辉;徐梦锦;;基于多级图划分的协同过滤算法研究[J];机械设计与制造工程;2015年12期
6 张一名;;云计算环境下的数据挖据算法研究[J];信息化建设;2015年12期
7 丁艳会;郝俊寿;李春明;;基于社团主题的领域相关推荐算法[J];湘潭大学自然科学学报;2015年04期
8 Hua MA;Zhigang HU;;Recommend trustworthy services using interval numbers of four parameters via cloud model for potential users[J];Frontiers of Computer Science;2015年06期
9 王小军;王运;郝喆;;个性化推荐系统在移动学习中的应用研究[J];中国教育信息化;2015年23期
10 原福永;马琳;梁顺攀;;融合用户相似度和信任传播重组信任矩阵算法[J];燕山大学学报;2015年06期
【相似文献】
中国期刊全文数据库 前10条
1 俞伟;徐德华;;推荐算法概述与展望[J];科技与创新;2019年04期
2 张世东;;推荐算法概述[J];科技传播;2019年04期
3 张艳红;谌颃;;基于标签的自助教育资源推荐算法研究[J];现代信息科技;2019年12期
4 李欣鞠;;个性化推荐算法下的“信息茧房”效应研究——以“天天快报”为例[J];西部广播电视;2019年13期
5 陈军;谢卫红;陈扬森;;国内外大数据推荐算法领域前沿动态研究[J];中国科技论坛;2018年01期
6 向洋乐;;大数据背景下互联网购物推荐算法应用研究[J];中国战略新兴产业;2018年04期
7 喻国明;刘钰菡;王畅颖;王丹敏;;推荐算法:信息推送的王者品性与进阶重点[J];山东社会科学;2018年03期
8 刘顺程;岳思颖;钟瑞敏;;基于拉普拉斯噪声的轻型推荐算法[J];中国战略新兴产业;2018年20期
9 刘涛;刘佐;;一种面向新文章的个性化推荐算法研究[J];控制工程;2018年06期
10 汪海鹏;郑扬飞;;基于特征值的律师推荐算法及改进方案[J];计算机与现代化;2018年10期
中国重要会议论文全文数据库 前10条
1 米传民;彭鹏;单晓菲;马静;;考虑显式评分的基于二部图的推荐算法[A];第十七届中国管理科学学术年会论文集[C];2015年
2 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
3 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集(技术报告篇)[C];2007年
4 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年
5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文(摘要)汇集[C];2009年
6 梁莘燊;刘莹;;基于效能的学术资源推荐算法研究[A];第六届(2011)中国管理学年会——信息管理分会场论文集[C];2011年
7 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年
8 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
9 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集(一)[C];2008年
10 高琪;辛乐;;基于用户偏好度模型和情感计算的产品推荐算法[A];第二十九届中国控制会议论文集[C];2010年
中国重要报纸全文数据库 前10条
1 建行上海市分行 王慧;试析商业银行“协同过滤推荐算法”[N];上海金融报;2017年
2 记者 王李科;四川首个人工智能政策引擎在双流区正式上线[N];成都日报;2017年
3 记者 王夕;网络也会“读心术”[N];北京科技报;2011年
4 中国青年报·中青在线记者 杜园春 实习生 高卿雯;大数据为新生寻找志同道合舍友[N];中国青年报;2018年
5 林芮;当心“过滤泡泡”主宰了你[N];人民日报;2016年
6 本报记者 程墨 特约通讯员 杨保华;武汉理工“冒”出数十个百万身家大学生[N];中国教育报;2015年
7 张昊;Goodreads,与敌人睡觉[N];经济观察报;2013年
8 约瑟夫·A·孔斯坦 约翰·李德 美国明尼苏达大学的计算机科学教授;购物网站“猜你喜欢”背后的商业法则[N];消费日报;2015年
9 吕晓勋;你在读书,谁在读你?[N];人民日报;2016年
10 本报记者 杨晓音;Netflix:一场数据逆袭战[N];中国经营报;2013年
中国博士学位论文全文数据库 前10条
1 邢淑凝;基于深度学习的多源信息融合推荐算法研究[D];山东师范大学;2019年
2 丁永刚;融合多指标评分与多源文本的推荐算法研究[D];武汉大学;2018年
3 耿冰蕊;基于多目标优化的个性化推荐算法研究[D];西安电子科技大学;2018年
4 赵震宇;基于深度学习和海云协同的推荐方法研究[D];中国科学技术大学;2019年
5 李文俊;时间感知的推荐算法研究[D];电子科技大学;2017年
6 伊华伟;基于可疑用户度量的鲁棒推荐方法研究[D];燕山大学;2016年
7 冯浩源;动态用户兴趣模型构建及推荐算法研究[D];天津大学;2017年
8 陈玲姣;基于社交网络个体行为特征的信息推荐算法研究[D];电子科技大学;2018年
9 杨雷;基于机器学习的个性化推荐算法研究[D];哈尔滨工程大学;2017年
10 李慧;社会网络环境下的个性化推荐算法研究[D];中国矿业大学;2016年
中国硕士学位论文全文数据库 前10条
1 白金鑫;基于多种辅助信息融合的推荐算法研究[D];内蒙古大学;2019年
2 郭斯檀;基于图书本体构建的图书推荐算法研究[D];中北大学;2019年
3 樊宇凯;基于社区网络的新闻推荐系统研究[D];中北大学;2019年
4 韩国锋;基于迁移学习的旅游景点个性化推荐算法[D];陕西科技大学;2019年
5 王永康;基于时间和地理位置的个性化推荐算法研究[D];山东建筑大学;2019年
6 逄娇娜;融合用户上下文和时序信息的协同过滤推荐算法[D];华东师范大学;2019年
7 李瑞雪;基于多信息源图嵌入的好友推荐算法研究[D];东北师范大学;2019年
8 张敏;推荐算法及其在电力营销中的应用[D];山东大学;2019年
9 单晨琪;基于注意力模型的推荐算法研究[D];哈尔滨工程大学;2019年
10 刘婷;基于半监督降维的电影混合推荐算法研究及实现[D];北京邮电大学;2019年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026