基于排序学习的top-n推荐算法研究

《基于排序学习的top-n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、基于排序学习的Top-N推荐算法研究何平凡2016年01月中图分类号：TP311.5UDC分类号：004基于排序学习的Top-N推荐算法研究作者姓名何平凡学院名称软件学院指导教师袁汉宁副教授答辩委员会主席王树良教授申请学位级别学术硕士学科专业软件工程学位授予单位北京理工大学论文答辩日期2016年01月ITheResearchofTop-NRecommendationAlgorithmsBasedonLearningtoRankCandidateName：PingfanHeSchoolorDepartmen

2、t:SchoolofSoftwareFacultyMentor:AssociateProf.HanningYuanChair,ThesisCommittee：Prof.ShuliangWangDegreeApplied:MasterofEngineeringMajor：SoftwareEngineeringDegreeby:BeijingInstituteofTechnologyTheDateofDefence：Jan.2016II研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的

3、研究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：IV摘要随着数据时代的到来，人们面临的“信息过载”问题愈发严重，主动辅助人们获取信息的搜索引擎已经无法满足人们在不同背景、不同目的、不同时期下的个性化信息需求，而推荐系统作为个性化研究领域的分支，能够从海量的数据中寻

4、找与用户相关的信息进行推荐，有效地“信息过载”问题带来的信息生产和信息获取不平衡的矛盾。目前，推荐系统的研究受到众多来自不同学科领域学者的关注，并取得了很大的进展，然而随着推荐场景的复杂化，推荐系统面临的挑战和问题依然需要不断地深入研究和优化解决。本文主要围绕如何提高Top-N推荐效果，解决推荐时效性问题和平衡推荐准确性与多样性效果等展开研究，研究的主要内容及结果如下：1.将推荐问题转化为排序问题，构建以排序学习为基础的推荐算法框架，利用排序学习方法的优势去解决多特征维度的推荐问题可以有效地组合多种推荐模

5、型并自动优化模型权重参数，提高推荐效果。2.在基于排序学习的推荐算法框架之上，融合其他推荐算法和模型，针对特定场景形成混合推荐模型，提高推荐的精度。本文将排序学习模型与ListRank-MF模型进行融合，充分结合模型的各自优点，实验结果证明有效地提高了推荐精度。3.本文提出一种基于熵的多样性特征建模方法，利用熵有效地表达多样性特征，使多样性刻画的粒度细化到用户和物品的属性，实验结果表明该模型可以有效地平衡推荐的准确性和多样性。4.本文研究了排序学习模型下特征选择的算法，在提取隐含特征和评分特征后，进行特征

6、选择，降低数据特征的维度，提高排序模型学习的效率。本文实验结果显示，进行特征选择后，经过少量的迭代后模型便开始收敛，并能一定程度提高推荐的精度。5.针对推荐系统的时效性问题，本文分析总结了推荐的时效性影响因子，并对基于排序学习的基础推荐框架进行扩展优化，提出最近反馈排序模型，以引入时效思想。实验结果表明，将用户最近的反馈信息与基础推荐结果进行二次排序后，可以有效地提高推荐的精度。此外，本文也探索了最近反馈排序模型与在线学习的结合应用，模拟实验结果显示模型在线实时迭代更新后，仍能具有较高的推荐精度。关键词：

7、Top-N推荐；排序学习；多样性；熵；最近反馈；在线学习IAbstractWiththecomingofdataera,the"informationoverload"problempeoplearebeingfacedisbedingseriousincreasingly,andthesearchenginesusedtohelppeoplegetinformationcan'tnomoremeetthepersonalizedinformationneedsofpeoplefordifferentpu

8、rposesindifferentcontextsandatdifferenttimes.However,recommendationsystems,asanimportantbranchofpersonalizationresearch,areabletoprovidepeoplewithrelatedinformationfromhugeamountsofdata,andeffectivelyalleviatethecon