基于XGBoost集成方法的推荐算法研究

《基于XGBoost集成方法的推荐算法研究》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、暨南大学硕士学位论文题名（中英对照）：基于XGBoost集成方法的推荐算法研究ResearchonRecommendationAlgorithmBasedonXGBoostMethod作者姓名：容钰添指导教师姓名陈平炎及学位、职称：博士教授学科、专业名称：应用统计学位类型：专业学位论文提交日期：2018年5月论文答辩日期：2018年5月答辩委员会主席：尹居良论文评阅人：李敬娜、邱德华学位授予单位和日期：暨南大学2018年6月摘要网络技术的快速发展和普及，在带给人们便利的同时，也带来了信息过载的问题。互联网上充

2、斥着大量、繁杂的信息，人们无法快速寻找出或理解对自己有价值的信息。为了满足人们对信息处理的需要，推荐系统应运而生。本文的主要研究目的为提高推荐算法的精度。单一的推荐算法存在不同的缺陷，而混合算法能够结合各算法的优点，且一定程度上克服缺陷，提高推荐精度。于是本文提出了一种基于XGBoost集成方法的推荐算法。首先，本文针对单一模型进行改进。采用对数似然比作为相似度改进基于项目的协同过滤算法，提高了算法精度并缓解稀疏性问题。对于LFM，提出了矩阵初始化优化等策略，提高了推荐精度也加快了计算效率。接下来研究了如何融

3、合基于内存的协同过滤算法和基于模型的协同过滤算法的混合模型，采用了XGBoost算法进行融合，涉及到推荐单元和评分预测模型，具有缓解稀疏性问题，推荐性能好，训练快速等特点。最后，基于数据集Movielens设计了实验，测试提出的混合推荐算法，实验结果显示，基于XGBoost集成方法的推荐算法在推荐精度较于传统的推荐算法有了大幅度的提升，从而验证算法的有效性。关键词：推荐算法，协同过滤，模型融合，XGBoost，混合推荐IAbstractTherapiddevelopmentandpopularizationo

4、fnetworktechnologyhasbroughtpeopleinformationconvenienceaswellasinformationoverload.TheInternetisfullofmassiveandcomplicatedinformation,andpeoplecannotquicklyfindorunderstandinformationthatisvaluabletothem.Inordertomeetpeople'sneedforinformationprocessing,t

5、herecommendationsystemcameintobeing.Themainresearchpurposeofthispaperistoimprovetheaccuracyoftherecommendationalgorithm.Asinglerecommendationalgorithmhasdifferentdisadvantages,buthybridalgorithmcancombinetheadvantagesofeachalgorithm,andtosomeextentovercomet

6、hedisadvantages,improvetherecommendationaccuracy.Therefore,thispaperproposesarecommendationalgorithmbasedonXGBoostmethod.Firstofall,thisarticlemodifiedthesinglemodels.Thelog-likelihoodratiowasintroducedasasimilaritytoimprovetheproject-basedcollaborativefilt

7、eringalgorithm,whichimprovedtheaccuracyofthealgorithmandmitigatedthesparsenessproblem.ForLFM,matrixinitializationoptimizationandotherstrategiesareproposed,whichimprovetherecommendationaccuracyandacceleratethecomputationalefficiency.Next,westudiedhowtohybrid

8、thememory-basedcollaborativefilteringalgorithmandthemodel-basedcollaborativefilteringalgorithm.WeusedtheXGBoostalgorithmformodelcombination,involvingarecommendationunitandascoringpredictionmodel.Ithast