多任务学习技术在混合推荐中的应用研究与实现

摘要

互联网内容和商业化的不断发展，一方面带给用户方便的娱乐、消费方式，另一方面也带给了用户严重的信息过载问题。用户受困于过量的信息、过量的商品选择，将要花费更多的时间来浏览备选信息，却有可能因为受限的信息处理能力做出更差的选择。搜索引擎在一定程度上缓解了信息过载，但需要用户非常明确的知道自己的选择，并不能帮助用户做决策。推荐系统正是为了帮助用户决策而产生。
　　 本文主要对如何提升推荐系统的预测准确性进行深入研究。我们将此处的混合推荐定义为多个推荐预测器的混合，本文认为，因为不同预测器模型的基本假设和侧重点不同，将他们混合将有助于最终的预测性能。首先我们建立多个经典协同过滤算法模型，并且根据特定应用环境进行时效扩展，之后将这些算法模型进行统一的、用户无关的混合。观察到这相较于独立预测器有性能提高，但是对于不同用户性能差异很大。于是我们提出利用多任务学习机制，充分考虑不同用户的个性特征，建立起用户相关的混合模型，主要表现为对于不同用户具有不同的预测器权重向量。为减少计算复杂度，我们还进行了用户聚类，并考察对性能的影响。
　　 我们详细描述了实验设计。实验证明，进行区分用户的混合模型建模有助于预测准确性的提高。但是考虑更有商业价值的覆盖率/命中率考察指标时，发现我们的算法并没有实质性的进步。这启示我们进行下一步的研究。

目录

摘要

第1章 绪论

1．1 引言

1．2 课题背景及意义

1．2．1 网络发展现状和网络服务特征

1．2．2 推荐系统的应用意义

1．3 本文的研究目标

1．4 本文内容组织

1．5 本章小结

第2章 基础理论与相关技术

2．1 推荐系统概述

2．1．1 推荐系统定义

2．1．2 推荐系统技术概述

2．2 推荐系统相关数据挖掘技术

2．3 推荐系统和推荐算法

2．3．1 协同过滤概述

2．3．2 基于内容的推荐概述

2．4 本章小结

第3章 多推荐算法的混合

3．1 混合推荐系统主要构成方式

3．2 混合系统中应用的协同过滤算法

3．2．1 参数调节

3．2．2 基于项目的k近邻算法(kNN Item)

3．2．3 奇异值矩阵分解(SvD)

3．2．4 受限波尔兹曼机(Restricted Bolzmn Machine，RBM)

3．2．5 全局属性(Global Effect，GE)

3．2．6 时间空间复杂度分析

3．3 混合系统中多算法的混合

3．4 本章小结

第4章 多任务学习和算法混合

4．1 多任务学习技术优势

4．2．1 问题定义

4．2．2 学习算法

4．3 多任务排序融合

4．3．1 符号定义

4．3．2 算法说明

4．4 聚类减少任务数目

4．5 本章小结

第5章 实验设计与结果

5．1 数据集和评价标准

5．1．1 选择和标准

5．1．2 数据集描述

5．1．3 数据预处理

5．1．4 评价准则

5．2 非用户特征敏感的混合

5．2．1 单一预测器的训练

5．2．2 考虑混合结果的预测器训练

5．3 混合权重需要考虑用户特征的证明

5．4 多任务学习低维属性表示算法

5．5 多任务排序融合算法

5．6 聚类减少任务数量

5．7 覆盖率／命中率计算

5．8 本章小结

第6章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢