基于选择模型的推荐系统改进算法

论文摘要

随着信息技术的发展,用户使用在线服务过程中产生的海量数据已经成为各个公司的重要资源。用户数据可以帮助企业增强对用户的理解,基于这些数据的个性化推荐服务迅猛发展。排序学习被广泛应用在推荐系统中,准确地预估用户的点击率,并根据该概率对商品排序在推荐系统领域有着重要的意义。在以往的研究中,排序学习常用的因子分解机等单值排序学习模型一般只考虑用户选择单个物品的概率,忽略了候选物品之间的相互影响。离散选择模型则将候选物品候选集作为整体进行考虑,但该模型只能进行线性特征学习,存在一定局限性。深度学习由于具有强大的非线性学习和特征泛化能力,逐渐被应用在推荐系统领域。本文提出将离散选择模型的假设引入到深度学习模型中,用来预估用户的选择偏好。在本文模型中,通过物品的特征拼接,将离散选择模型的假设引入到深度学习模型中;通过设计相对特征层、引入物品特征提取层、注意力机制、因子分解层等结构化的网络模块,帮助深度学习模型进行不同物品差异的比较。实验部分,以在线航空机票的选购数据为例,验证了本文模型表现优于离散选择模型的代表模型MNL、单值排序学习的代表模型梯度提升决策树和因子分解机、列表排序学习的代表模型ListNet。研究结果表明,将离散选择模型假设引入到深度学习模型中,并设计合理的网络结构具有一定的实践、研究价值。

论文目录

摘要

abstract

第一章引言

1.1 研究背景

1.2 相关研究发展状况

1.3 研究内容

1.4 论文的主要内容与章节安排

第二章文献回顾

2.1 基于协同过滤的推荐算法

2.2 基于特征的推荐算法

2.2.1 单值排序学习模型

2.2.2 比较对排序学习模型

2.2.3 列表排序学习模型

2.3 深度学习与推荐算法

2.3.1 深度学习模型及求解方法

2.3.2 深度学习在推荐系统中的应用

2.4 推荐算法的其他研究进展

2.4.1 基于嵌入式表示的推荐算法

2.4.2 基于因果推断的推荐算法

2.4.3 基于强化学习的推荐算法

2.5 以往研究评述

2.6 本章小结

第三章基于离散选择模型的推荐系统改进算法

3.1 离散选择模型

3.2 模型构建

3.3 本章小结

第四章数值实验

4.1 数据集介绍

4.2 实验设计及训练策略

4.2.1 实验一

4.2.2 实验二

4.3 实验结果

4.3.1 实验一

4.3.2 实验二

4.4 实验结果评述

4.5 本章小结

第五章总结

5.1 研究总结

5.2 研究存在的不足与展望

5.3 结语

5.4 本章小结

参考文献

致谢

攻读硕士学位期间已发表或录用的论文

文章来源

类型: 硕士论文

作者: 刘乾超

导师: 荣鹰

关键词: 推荐算法,排序学习,深度学习,离散选择模型

来源: 上海交通大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,经济与管理科学

专业: 数学,航空航天科学与工程,宏观经济管理与可持续发展,交通运输经济

单位: 上海交通大学

分类号: F561;F224

DOI: 10.27307/d.cnki.gsjtu.2019.003097

总页数: 71

文件大小: 1430K

下载量: 28

基于选择模型的推荐系统改进算法

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢