一种新型混合推荐模型的设计与实现

发布时间：2024-01-28 21:09

　　随着互联网技术的飞速发展,我们已经进入了信息过载的时代,面对互联网上海量的信息,人们需要花费大量时间才能找到他们真正需要的信息。在此背景下,推荐系统应运而生了,推荐系统通过分析用户过去的行为,为用户智能推荐他(她)可能感兴趣的信息。推荐系统经过近20年的发展,已经被很多企业应用在了实际的系统中,如Yotube、Amazon、淘宝和今日头条等。虽然推荐系统已经在企业中得到了广泛的应用,但是它仍然面临着准确性、冷启动和可扩展性等问题。协同过滤算法是推荐系统最常用且最成功的算法,其中矩阵分解是一种广泛使用的协同过滤模型。矩阵分解模型通过随机梯度下降法(SGD)对参数进行更新,它在模型训练的过程中需要对训练集遍历若干次。基于SGD的矩阵分解模型是一种离线算法,需要构造离线训练集;并且它的可扩展性有限,即随着数据集的增加,训练耗时急剧增加。为了解决矩阵分解模型的可扩展性问题,本文提出了一种基于FTRL的矩阵分解模型,它通过FTRL方法对参数进行更新,只需要遍历一次训练集,大大降低了模型的训练时间。同时它也是一种在线学习算法,可以实时地根据用户的反馈数据对模型进行更新,从而能够及时对用户的行为进行...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 本文组织结构
第二章 相关技术
    2.1 推荐算法相关技术
        2.1.1 基于内容的推荐模型
        2.1.2 基于协同过滤的推荐模型
        2.1.3 混合推荐模型
        2.1.4 相似度计算方式
    2.2 在线学习算法
        2.2.1 梯度下降法
        2.2.2 离线学习
        2.2.3 在线学习
    2.3 自编码器相关技术
        2.3.1 去噪自编码器
        2.3.2 堆叠自编码器
    2.4 因子分解机
    2.5 本章小结
第三章 基于FTRL的矩阵分解模型
    3.1 需求分析
    3.2 问题描述
    3.3 基于SGD的矩阵分解模型
    3.4 基于FTRL的矩阵分解模型
    3.5 实验设计及分析
        3.5.1 实验数据
        3.5.2 评判标准
        3.5.3 实验结果分析
    3.6 本章小结
第四章 新型混合推荐模型的设计和实现
    4.1 需求分析
    4.2 模型结构设计
        4.2.1 DAE部分
        4.2.2 CFM部分
        4.2.3 损失函数
        4.2.4 模型实现
    4.3 实验设计及分析
        4.3.1 实验数据与评判标准
        4.3.2 基线和参数选择
        4.3.3 实验结果分析
    4.4 本章小结
第五章 绿出行推荐系统的设计与实现
    5.1 绿出行简介
    5.2 推荐系统整体设计
    5.3 离线训练部分功能设计
        5.3.1 数据预处理模块
        5.3.2 特征抽取模块
        5.3.3 模型训练模块
    5.4 线上服务部分功能设计
        5.4.1 召回模块
        5.4.2 排序模块
    5.5 推荐系统接口及类图
    5.6 实验设计及分析
        5.6.1 实验数据及评判标准
        5.6.2 实验过程及结果
    5.7 本章小结
第六章 总结与展望
    6.1 论文总结
    6.2 工作展望
参考文献
附录
攻读学位期间发表的学术论文目录
致谢



本文编号：3887777