基于树模型的个性化推荐研究

《基于树模型的个性化推荐研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：１０００４密级：公开又邊乂學ＢＥＩＪＩＮＧＪＩＡＯＴＯＮＧＵＮＩＶＥＲＳＩＴＹ硕士学位论文基于树模型的个性化推荐研究作者姓名汤静远学科专业信号与信息处理指导教师朱振峰教授培养院系计算机与信息技术学院二零一八年三月＇篇，＇－’＜２５‘１Ｉｔ＊ｊｔ＊：？？？＃，Ｐ．＿ｉ纖一等＇＇？■？？？ｉ：．Ｐ：Ｈ，ｉｓｐｍｍｍ硕士学位论文基于树模型的个性化推荐研宄ＲｅｓｅａｒｃｈｏｎＰｅｒｓｏｎａｌｉｚｅ

2、ｄＲｅｃｏｍｍｅｎｄａｔｉｏｎＢａｓｅｄｏｎＴｒｅｅＭｏｄｅｌ作者：汤静远导师：朱振峰北京交通大学２０１８年４月学位论文版权使用授权书本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索，提供阅览服务，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。学校可以为存在馆际合作关系的兄弟高校用户提供文献传递服务和交换服务。

3、（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名＾＾签字日期：钟也年叫月⑵日签字日期：年日４：学校代码：１０００密级公开北京叉通大学硕士学位论文基于树模型的个性化推荐研宄ＲｅｓｅａｒｃｈｏｎＰｅｒｓｏｎａｌｉｚｅｄＲｅｃｏｍｍｅｎｄａｔｉｏｎＢａｓｅｄｏｎＴｒｅｅＭｏｄｅｌ‘作者姓名：汤静远学号：１５１２０３４９导师姓名：朱振峰职称：教授：学位类别：工学学位级别硕士：学科专业：信号与信息处理研究方向数据挖掘北京

4、交通大学２０１８年４月ｉ致谢，不知不觉己经临近毕业了，时光飞逝。在这两年多的研宄生生涯中充满了一一欢笑和泪水，在不断的努力学习中，步步的跨越障碍，也让我明白了坚持的重要性。我非常庆幸自己研宄生的这段时间能在我的母校度过，非常感谢这些日子里有我的导师、我的家人、我的朋友和同学们的帮助和陪伴。在此，我要对我的导师朱振峰老师表达由衷的感谢。我可以在北京交通大学信息所完成我的论文的主要研宄，离不开朱老师对我工作上的指导和督促。不管是选题和框架设计，还是算法改进和论文的修改，朱老

5、师都极尽全力的给予帮助，孜孜不倦的教诲一，这才使我能突破每次科研工作的瓶颈，获得明显的进步。朱老师不仅以其渊博的专业知识，严谨的科研态度教导我们进行学术研宄，还让我们慢慢的领悟到在工作和学习生活中很多为人处事的道理，这对未来我们步入社会都会产生深远的影响。因此向朱老师表达我最真诚的谢意和祝福。同时，感谢信息所的老师和各位可爱的同学们提供了良好的学习环境，特别感谢实验室６１３ｂ的己经毕业了的师兄师姐和共同努力的各位同学们，以及我可爱的室友们，是你们的相伴让我的研宄生生活充满欢乐，也是

6、你们不断的对我进行，让我充满了信心和动力，鼓励，非常感谢大家的陪伴祝愿大家拥有锦绣前程。最后我要感谢我的家人和朋友们，感谢你们对我的关怀。你们的陪伴让我感受到温暖，你们的包容和理解让我能专心的在学校进行学习，让我能顺顺利利的成长，真诚的希望你们能健康快乐。北京交通大学硕士学位论文摘要摘要随着互联网的快速发展，信息资源的规模迅猛增长，信息过载成为了当今社一会的个主要问题。由于用户从海量信息中提取有用的信息变得越发困难，针对个人的智能化推荐技术应运而生。鉴于个性化的推荐系统具

7、有主动服务、个性化，推荐技术成为了学术界和工业界的研宄热点程度高和用户驱动等优点。树模型一一是种按规则对样本进行划分的预测模型，随着用户量和信息资源的进步扩大，针对特征维度过高，、正负交互样本不平衡和模型过拟合等问题本文进行了深入细致的研宄，主要成果包括：一１基于商品的历史数据，本文提出了种层次化的商品预测模型。而为了实（），提出了基于时空特性的商品表征方法现对商品数据进行有效的表示。针对数据Ｂ一表征的高维问题，基于ａｇｇｉｎｇ思想，在特征空间构建了种层次化的ＧＢＤＴ集成模型，

8、解决了ＧＢＤＴ高方差的问题，提高了模型的预测性能，实验结果验证了本文所提模型的有效性；＇一（２）针对商品数据中正负交互样本不平衡的问题，本文提出了种个性化的去偏ＤＡＲＴ集成模型。为了对用户的个性化画像进行描述，利用决策树的稀疏编码一方法得到用户的个性化表征步，ＤＡＲＴ决策树模型，。进利用下采样构建多个基，，避免了过拟合问题改善了模型的预测性能通过集成的方法生成强学习器；（