一種基于矩陣分解的用戶行為數(shù)據(jù)多任務(wù)學(xué)習(xí)模型.pdf

1、隨著信息技術(shù)以及通信技術(shù)的迅猛發(fā)展，每天都會(huì)有海量的用戶行為數(shù)據(jù)產(chǎn)生，比如新浪上發(fā)送的微博，蘋(píng)果APP里下載的應(yīng)用、淘寶賣(mài)出的商品、人人網(wǎng)上發(fā)生的訪問(wèn)、百度產(chǎn)生的搜索查詢等等。人類(lèi)行為可以通過(guò)數(shù)據(jù)分析予以預(yù)測(cè)，但是如何在這些用戶行為數(shù)據(jù)信息中找到商機(jī)？又如何給用戶推薦個(gè)性化的服務(wù)？基于用戶行為數(shù)據(jù)的挖掘技術(shù)迫切需要深入地研究。數(shù)據(jù)挖掘技術(shù)可以挖掘出隱藏的潛在知識(shí)模式，為人們獲取所需的知識(shí)信息并決策提供幫助。
　　矩陣分解模型是一種

2、基于隱藏特征向量的方法，可以有效地利用海量的用戶交互信息數(shù)據(jù)。多任務(wù)學(xué)習(xí)可以通過(guò)學(xué)習(xí)多個(gè)任務(wù)間的共享結(jié)構(gòu)和每個(gè)任務(wù)之間的差別，可以很好的提升挖掘技術(shù)的性能。鑒于此，本文主要提出了一種基于用戶行為數(shù)據(jù)的挖掘方法，很好地融合了矩陣分解技術(shù)和多任務(wù)學(xué)習(xí)技術(shù)的優(yōu)點(diǎn)，適合處理海量的用戶行為數(shù)據(jù)。
　　本文的主要工作包括一下三個(gè)方面：
　　第一，本文首先提出的基于用戶行為數(shù)據(jù)的線性挖掘方法MF_MTL模型，這個(gè)模型巧妙地融合了用戶已有的

3、靜態(tài)屬性和用戶與物品的動(dòng)態(tài)評(píng)分矩陣分解得到的隱變量特征，然后結(jié)合多任務(wù)學(xué)習(xí)技術(shù)的優(yōu)勢(shì)，共同預(yù)測(cè)目標(biāo)變量。一般情況下，用戶行為數(shù)據(jù)不僅是高維而且還是高度稀疏的，基于這類(lèi)數(shù)據(jù)上的個(gè)性化推薦算法中，矩陣分解模型的效果是最出類(lèi)拔萃的。所以，本文提出的模型在方法上采取了矩陣分解和多任務(wù)學(xué)習(xí)的優(yōu)勢(shì)，同時(shí)在數(shù)據(jù)方面有效地融合了用戶個(gè)人信息和用戶行為數(shù)據(jù)，博采眾長(zhǎng)，可以更好的提升模型的性能。
　　第二，實(shí)際應(yīng)用中，數(shù)據(jù)之間并不是簡(jiǎn)單的線性關(guān)系，采