多任務(wù)學(xué)習(xí)技術(shù)在混合推薦中的應(yīng)用研究與實(shí)現(xiàn).pdf

1、互聯(lián)網(wǎng)內(nèi)容和商業(yè)化的不斷發(fā)展，一方面帶給用戶(hù)方便的娛樂(lè)、消費(fèi)方式，另一方面也帶給了用戶(hù)嚴(yán)重的信息過(guò)載問(wèn)題。用戶(hù)受困于過(guò)量的信息、過(guò)量的商品選擇，將要花費(fèi)更多的時(shí)間來(lái)瀏覽備選信息，卻有可能因?yàn)槭芟薜男畔⑻幚砟芰ψ龀龈畹倪x擇。搜索引擎在一定程度上緩解了信息過(guò)載，但需要用戶(hù)非常明確的知道自己的選擇，并不能幫助用戶(hù)做決策。推薦系統(tǒng)正是為了幫助用戶(hù)決策而產(chǎn)生。
　　 本文主要對(duì)如何提升推薦系統(tǒng)的預(yù)測(cè)準(zhǔn)確性進(jìn)行深入研究。我們將此處的混合推

2、薦定義為多個(gè)推薦預(yù)測(cè)器的混合，本文認(rèn)為，因?yàn)椴煌A(yù)測(cè)器模型的基本假設(shè)和側(cè)重點(diǎn)不同，將他們混合將有助于最終的預(yù)測(cè)性能。首先我們建立多個(gè)經(jīng)典協(xié)同過(guò)濾算法模型，并且根據(jù)特定應(yīng)用環(huán)境進(jìn)行時(shí)效擴(kuò)展，之后將這些算法模型進(jìn)行統(tǒng)一的、用戶(hù)無(wú)關(guān)的混合。觀察到這相較于獨(dú)立預(yù)測(cè)器有性能提高，但是對(duì)于不同用戶(hù)性能差異很大。于是我們提出利用多任務(wù)學(xué)習(xí)機(jī)制，充分考慮不同用戶(hù)的個(gè)性特征，建立起用戶(hù)相關(guān)的混合模型，主要表現(xiàn)為對(duì)于不同用戶(hù)具有不同的預(yù)測(cè)器權(quán)重向量。為減少