收藏本站
《电子科技大学》 2011年
收藏 | 手机打开
二维码
手机客户端打开本文

集成学习理论研究及其在个性化推荐中的应用

方育柯  
【摘要】:集成学习作为一种新的机器学习范式,通过使用多个学习器来解决同一问题,能够显著提高系统的准确率和泛化能力。从上世纪90年代开始,集成学习已经成为国际机器学习领域的一个研究热点。另一方面,随着信息技术的迅猛发展,导致了信息爆炸,使得信息的利用率急剧降低,即所谓的信息过载或信息迷失问题。通常认为解决这个问题的最有效方法是个性化信息推荐,它能够主动地搜集用户的兴趣偏好,为用户推送个性化的信息。虽然当前个性化推荐技术已经有大量研究工作,但是这些方法的准确率普遍不高,适应性差,往往只考虑少数几个因素。 如果能够将集成学习技术应用到个性化推荐问题中,势必会增加当前个性化推荐的有效性和适应性。就集成学习本身而言,同样存在一系列的问题有待进一步研究,如boosting集成学习中弱学习器间的相关性和冗余性问题等等。基于此,本文针对集成学习理论及其在个性化推荐中的应用,开展了多项有意义的研究工作,主要创新点包括: (1)针对boosting集成学习中弱学习器的相关性和冗余性问题,本文提出SelectedBoost算法。该算法在boosting迭代生成弱学习器时,计算新生成的弱学习器与已有弱学习器的相关性指标,用于对弱学习器进行选择。这样大大提高了传统的生成所有弱学习器以后再选择集成的效率,有效地减少了生成的弱分类器个数,并降低了整体弱分类器间的相关性。不仅提高了算法的收敛速度,而且使最终的分类准确率有了进一步的提高; (2)现有的间隔最大化boosting集成学习算法如LPBoost,SoftBoost,ERLPBoost等等,其样本权重更新只是基于已生成的弱分类器。然而与弱分类器相比,强分类器更能代表当前各弱分类器形成的分类超平面。因此本文提出了StrongLPBoost算法,通过在带约束的间隔最大化问题中,引入更加严格的强分类器边界约束条件,使得样本权重的更新不仅仅参考已生成的弱分类器边界,而且还参考当前形成的强分类边界信息,从而提高算法的收敛速度。 (3)提出基于集成学习的RankBoost*推荐算法,使用基于相似度的评分预测方法和矩阵因子化方法作为基本学习器,并使用k-最近邻算法对这些基本学习器进行扩展,通过RankBoost*算法集成这些弱学习器,达到其优势互补的目的,提高了最终的推荐准确率,从而将boosting集成学习技术成功应用到个性化推荐问题中。 (4)推荐系统的最终目标是给用户提供一个排序或者推荐列表,并且已经广泛认为这个目标比打分预测的准确性更加重要。基于这个原因,本文专注于商品排序或者topN推荐,而非打分预测。本文考虑使用排序学习方法生成推荐列表,提出了用于排序学习问题的通用boosting集成学习框架,具体实现了基于列表的个性化topN推荐算法NDCGBoost@K,并且该集成学习框架适用于其他基于列表的评价指标(如平均准确率均值)。 最后,我们对本文工作进行总结并对后续研究进行展望。
【学位授予单位】:

知网文化
【相似文献】
中国期刊全文数据库 前19条
1 周珍;;集成学习算法研究[J];信息化建设;2016年02期
2 王芬;王辞;熊晶;;基于协同过滤的个性化推荐专利技术研究[J];科技展望;2016年29期
3 胡晴云;;情报信息利用中个性化推荐理论研究[J];甘肃科技纵横;2018年09期
4 林楠;杨文渊;马伊莉;朱婷婷;陈圣磊;;基于MyMediaLite平台的推荐方法探究[J];软件工程;2018年01期
5 余力,刘鲁;电子商务个性化推荐研究[J];计算机集成制造系统;2004年10期
6 刘珊珊;;大数据中基于混合协同过滤的动态用户个性化推荐[J];软件工程;2019年03期
7 喜晶;;个性化推荐技术的分析和比较[J];电脑编程技巧与维护;2016年22期
8 唐向红;彭超;陆见光;;基于金融大数据的个性化推荐技术研究[J];价值工程;2018年20期
9 戴亚娥;龚松杰;;个性化服务中基于模糊聚类的协同过滤推荐[J];计算机工程与科学;2009年04期
10 郑丽容;洪志令;;HSEC:基于聚类的启发式选择性集成[J];南京大学学报(自然科学);2018年01期
11 吴海霞;连玮;李慧芳;;基于海量数据和Web挖掘的个性化推荐系统研究[J];山西大同大学学报(自然科学版);2015年03期
12 冷亚军;黎忠雪;;个性化推荐及其相关技术分析[J];内蒙古科技与经济;2019年05期
13 郭全中;;也说“个性化推荐”[J];传媒;2016年09期
14 王梦琳;;个性化推荐技术在图书馆服务中的应用[J];长江丛刊;2018年35期
15 邹辰;;智慧图书馆个性化推荐服务体系及模式的思考[J];现代职业教育;2018年34期
16 林之佳;;智慧图书馆个性化推荐服务体系及模式的思考[J];知识文库;2018年12期
17 裘进;李秋霞;章珺彧;;基于改进协同过滤技术的农产品推荐研究[J];中国市场;2018年22期
18 卓丽霞;田佳;;基于C4.5算法的集成方法研究[J];重庆工学院学报;2006年11期
19 梁英;;电子商务个性化推荐技术研究[J];商场现代化;2007年26期
中国重要会议论文全文数据库 前10条
1 李培琳;赵明;王炳飞;;广电家庭用户个性化推荐的难点和解决思路[A];中国新闻技术工作者联合会2017年学术年会论文集(优秀论文篇)[C];2017年
2 李文泽;刘云龙;刘佳;石玥;胡丽红;;杂化集成机器学习在化学数据库中的应用[A];第十三届全国量子化学会议论文集——第四分会:生命、药物和材料量子化学[C];2017年
3 王珏;;归纳机器学习[A];2001年中国智能自动化会议论文集(上册)[C];2001年
4 王衍鲁;张利会;张淑洁;石洁茹;王鹏;;大学新生学校适应的个体与环境因素探究:基于机器学习的考察[A];第二十届全国心理学学术会议--心理学与国民心理健康摘要集[C];2017年
5 张长水;;大数据机器学习[A];2015年中国自动化大会摘要集[C];2015年
6 何琳;侯汉清;;基于标引经验和机器学习相结合的多层自动分类[A];2005年中国索引学会年会暨学术研讨会论文集[C];2005年
7 李刚;郭崇慧;林鸿飞;杨志豪;唐焕文;;基于词典法和机器学习法相结合的蛋白质名识别[A];大连理工大学生物医学工程学术论文集(第2卷)[C];2005年
8 徐礼胜;李乃民;王宽全;张冬雨;耿斌;姜晓睿;陈超海;罗贵存;;机器学习在中医计算机诊断识别系统中的应用思考[A];第一届全国中西医结合诊断学术会议论文选集[C];2006年
9 吴沧浦;;智能系统与机器学习的新领域[A];西部大开发 科教先行与可持续发展——中国科协2000年学术年会文集[C];2000年
10 蔡健平;林世平;;基于机器学习的词语和句子极性分析[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
中国重要报纸全文数据库 前10条
1 王文;个性化推荐技术在CRM中的应用[N];现代物流报;2012年
2 记者  彭德倩;机器学习精度提升近6个百分点[N];解放日报;2006年
3 彭博企业数据业务全球负责人 Gerard Francis;金融数据质量决定机器学习时代的投资回报[N];计算机世界;2019年
4 本报记者 操秀英;当量子计算遇到机器学习会碰撞出什么火花?[N];科技日报;2019年
5 CIO.com资深作家 Clint Boulton 编译 Charles;领先一步:机器学习的10个成功案例[N];计算机世界;2018年
6 Bob Violino 编译 Charles;盲目冒进:机器学习的5个失败案例[N];计算机世界;2018年
7 本报驻波士顿记者 侯丽;深入挖掘机器学习潜力[N];中国社会科学报;2019年
8 王方 编译;菌自何方 机器学习早知道[N];中国科学报;2019年
9 Matt Asay 编译 Monkey King;为什么机器学习没有捷径可循?[N];计算机世界;2019年
10 360 IoT研究院院长 李康;从机器学习到机器创造[N];中国信息化周报;2017年
中国博士学位论文全文数据库 前10条
1 方育柯;集成学习理论研究及其在个性化推荐中的应用[D];电子科技大学;2011年
2 邢星;社交网络个性化推荐方法研究[D];大连海事大学;2013年
3 陈俊;基于用户新奇度的个性化推荐技术[D];清华大学;2017年
4 易明;基于Web挖掘的电子商务个性化推荐机理与方法研究[D];华中科技大学;2006年
5 夏培勇;个性化推荐技术中的协同过滤算法研究[D];中国海洋大学;2011年
6 张琳;电子商务网站个性化推荐的多样性对推荐效果的影响研究[D];北京邮电大学;2017年
7 李艳秋;基于集成学习的人脸识别研究[D];合肥工业大学;2018年
8 赵鹤;面向高维大数据的子空间集成学习方法研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2017年
9 刘天羽;基于特征选择技术的集成学习方法及其应用研究[D];上海大学;2007年
10 许翀寰;复杂情境下的电商用户个性化推荐策略研究及应用[D];浙江工商大学;2016年
中国硕士学位论文全文数据库 前10条
1 周济;基于层次聚类的集成学习方法及应用研究[D];湖南工业大学;2014年
2 高旭峰;基于个性化推荐的旅游电商平台设计与实现[D];东华大学;2017年
3 郑婕;个性化推荐技术在网络教学中的应用研究[D];南昌大学;2011年
4 王玉林;基于多目标免疫算法的网络个性化推荐[D];天津工业大学;2017年
5 马万里;股票个性化推荐方法研究[D];哈尔滨工业大学;2013年
6 许幼飞;算法推荐的“信息茧房”效应及反思[D];重庆大学;2018年
7 王丽丽;基于用户偏好的服装个性化推荐[D];苏州大学;2018年
8 张旭苗;面向奥数习题个性化推荐的微信服务系统研究与实现[D];西北大学;2018年
9 沈旭霞;油田培训考核系统中个性化推荐技术研究[D];东北石油大学;2018年
10 杨恒;MOOC环境下基于深度信念网络的个性化推荐方法研究[D];华中师范大学;2018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
  • 010-62982499
  • 010-62783978