面向显式反馈和隐式反馈的协同推荐算法研究

《面向显式反馈和隐式反馈的协同推荐算法研究》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、分类号TP311学校代码10590UDC004密级公开深圳大学硕士学位论文面向显式反馈和隐式反馈的协同推荐算法研究段玉超学位类别工程硕士专业学位专业名称软件工程学院（系、所）计算机与软件学院指导教师明仲、潘微科深圳大学学位论文原创性声明和使用授权说明原创性声明本人郑重声明：所呈交的学位论文面向显式反馈和隐式反馈的协同推荐算法研究是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本声

2、明的法律结果由本人承担。论文作者签名：日期：年月日摘要在当今的电子商务领域，为了挖掘出用户的兴趣爱好并提供个性化推荐，用户的在线行为（如评分、评级、浏览）被认为是最有价值的来源之一。然而，之前大多数的工作主要集中在对单类型的用户行为的研究，如单一的显式反馈（如评分、评级）或单一的隐式反馈（如浏览、点击、加入购物车），极少有工作研究如何将显式反馈和隐式反馈融合起来。在本论文中，我们结合显式反馈和隐式反馈，主要研究并解决一种面向推荐系统中异构反馈的协同推荐问题。该问题目前主要面临两大挑战，如用户反馈数据的异构性和用户隐式反馈的不确定性

3、。为了解决这个问题，本文分别从面向推荐系统中异构反馈的协同过滤和面向推荐系统中异构反馈的协同排序两个角度开展研究。从面向协同过滤角度，本文设计了一种自主迁移学习模型来自主学习和挖掘用户的隐式爱好，提出了一种自主迁移学习算法（SelfTransferLearning），简称sTL；然后，从面向协同排序角度，通过融合面向排序的模型和面向评分的模型，设计了一种分步矩阵分解（StagedMatrixFactorization）的协同排序算法，简称SMF。为了证明新提出的sTL算法和SMF算法推荐的有效性，本文在三个数据集上做了大量实验，实

4、验结果表明我们提出的sTL算法明显优于其它几大经典算法（如SVD、SVD++），能有效提高精度、改善推荐效果，且实验还表明新提出的sTL算法具有很好的稳定性和继承性；同时，实验结果还表明，与其它面向排序的推荐算法（如BPR）相比，我们新提出的SMF算法能充分利用显式反馈和隐式反馈，能有效改善推荐效果。据我们所知，在当今的电子商务领域，很少存在单一的显式反馈，也很少存在单一的隐式反馈，大部分既包含显式反馈，又包含隐式反馈，由此可以看出，我们新提出的sTL算法和SMF算法能很好适应当前电子商务领域的需求，因此在当今电子商务领域具有很好

5、的研究价值和应用价值。关键字:推荐算法;协同过滤;显式反馈;隐式反馈;异构IAbstractWiththefastdevelopmentofe-commerceservices,users'onlinebehaviorssuchasnumericratings,bookmarks(e.g.,addingtocart)andbrowsingrecordsareregardedasoneofthemostvaluablesourcesofinformationtolearnusers'interests.However,mostpre

6、viousresearchonlyfocusononesingletypeofusers'behaviors,suchasexplicitfeedbacksofnumericratingsorimplicitfeedbacksofbrowsingrecords.Fewresearchhavestudiedbothexplicitfeedbacksandimplicitfeedbacksinonealgorithm.Inthisthesis,westudythosetwotypesoffeedbackssimultaneously,

7、fortwodifferentrecommendationtasks,i.e.,collaborativeregressionandcollaborativeranking.Inordertointegratethosetwotypesoffeedbacks,therearesomechallengessuchasheterogeneityofusers'feedbacksanduncertaintyofimplicitfeedbacks.Asaresponse,wedesignanovelself-transferlearnin

8、g(sTL)algorithmforthecollaborativeregressiontask,andanovelstagedmatrixfactorization(SMF)algorithmforthecollaborativerankinga