基于異構(gòu)圖的排序與推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)的日益普及，特別是移動互聯(lián)網(wǎng)的“爆炸式”發(fā)展，互聯(lián)網(wǎng)上的資源日益豐富，主要表現(xiàn)在兩個方面:1、數(shù)據(jù)量呈現(xiàn)指數(shù)式的增長;2、數(shù)據(jù)來源的不斷豐富，導(dǎo)致數(shù)據(jù)的類型日益增多。如何從多樣化的海量數(shù)據(jù)中挖掘有價值的規(guī)律和內(nèi)容變得越來越重要，吸引了眾多來自學(xué)術(shù)界和工業(yè)界的學(xué)者的濃厚興趣。隨著人工智能的不斷發(fā)展，尤其是機(jī)器學(xué)習(xí)技術(shù)的日益成熟，利用機(jī)器學(xué)習(xí)的方法從這樣的海量數(shù)據(jù)進(jìn)行挖掘已經(jīng)變成了非常流行，且行之有效的方法。
　　排序算法和

2、推薦算法是從大數(shù)據(jù)中挖掘有價值的內(nèi)容的兩種常用的算法類型。本文的排序算法指的是搜索中的排序算法(ranking algorithm)，在用戶給出查詢內(nèi)容以后，把結(jié)果按照與查詢內(nèi)容的相關(guān)度排序，然后返回給用戶。推薦算法則是根據(jù)用戶的喜好，預(yù)測用戶對物品或是信息的打分。排序算法和推薦算法都可以將用戶想要獲取的信息提供給用戶，幫助他們找到所求，正是這樣的應(yīng)用價值，不僅使它們在工業(yè)界得到了廣泛應(yīng)用，在學(xué)術(shù)界的也受到了很大關(guān)注。
　　本文的

3、工作是基于異構(gòu)圖的排序和推薦算法研究。這類算法不僅可以利用機(jī)器學(xué)習(xí)的方法從數(shù)據(jù)中挖掘有價值的信息，而且通過使用異構(gòu)圖，還可以在設(shè)計算法時考慮不同來源的數(shù)據(jù)，使用更加豐富的信息，從而提高方法的效果。主要進(jìn)行了兩方面的研究:1）一種基于異構(gòu)圖的自反饋半監(jiān)督學(xué)習(xí)圖像重排序算法?；趫D的視覺重排序方法由于出色的性能，吸引了很大的關(guān)注。在這類方法中，首先構(gòu)建圖，其中圖的頂點(diǎn)是圖片的視覺特征，邊的權(quán)重是圖片之間的視覺特征的相似度，然后運(yùn)行一些算法來

4、得到圖中各頂點(diǎn)的排序得分。這類基于圖的方法通?；谂判虻梅值囊恢滦约僭O(shè):相鄰的頂點(diǎn)（邊之間的權(quán)值?。┯邢嘟呐判虻梅?。但是對于多媒體檢索，例如圖片搜索來說，僅僅使用單一模態(tài)的數(shù)據(jù)（例如視覺特征）的效果不是很好。所以本文提出的方法同時使用多種模態(tài)特征的圖像數(shù)據(jù)，包括文本特征和視覺特征?；谙旅娴幕炯僭O(shè)來進(jìn)行建模:圖像的視覺特征和文本特征只是圖片不同角度的表現(xiàn)，它們在語義上是相似的，也就是說，圖像的視覺特征和文本特征只是圖像在不同空間的表

5、現(xiàn)，它們的排序得分應(yīng)該是相近的?；诖?，提出了一種基于異構(gòu)圖的自反饋的半監(jiān)督學(xué)習(xí)算法來進(jìn)行圖片的重排序，具體來說，首先使用視覺特征和文本特征來構(gòu)造一個異構(gòu)圖;然后在異構(gòu)圖上運(yùn)行一個帶正則項(xiàng)的自反饋半監(jiān)督學(xué)習(xí)算法來傳播排序得分;最后根據(jù)學(xué)習(xí)的結(jié)果進(jìn)行圖像的重排序。2）一種基于異構(gòu)圖的融合隱式社交關(guān)系的混合推薦算法。最近越來越多的工作開始研究如何利用社交關(guān)系來提高協(xié)同過濾推薦（特別是矩陣分解）算法的性能。由于顯式的社交關(guān)系并不總是容易獲得的

6、，一些作者開始研究在矩陣分解中使用隱式的社交關(guān)系。不過相關(guān)的工作只是利用了傳統(tǒng)的皮爾遜相關(guān)系數(shù)和余弦相似度函數(shù)來挖掘隱式的社交關(guān)系，比較簡單。本文的方法是首先構(gòu)建包含數(shù)據(jù)庫中豐富信息（包含用戶，物品信息）的異構(gòu)圖，然后使用隨機(jī)游走的方式來更好的挖掘隱式社交關(guān)系?；谑褂秒S機(jī)游走方法挖掘的隱式社交關(guān)系，再結(jié)合基于記憶的推薦和協(xié)同過濾算法，提出了一種基于異構(gòu)圖的融合隱式社交關(guān)系的混合推薦算法。
　　上面提到的兩種算法在公開的數(shù)據(jù)與經(jīng)典