基于在線快速學(xué)習(xí)隱語(yǔ)義模型的個(gè)性化新聞推薦.pdf

1、互聯(lián)網(wǎng)中的個(gè)性化新聞，個(gè)性化在線廣告、網(wǎng)絡(luò)搜索等應(yīng)用擁有龐大、動(dòng)態(tài)項(xiàng)目池，由此產(chǎn)生的推薦問題在Web應(yīng)用程序中無(wú)處不在，特別是在個(gè)性化新聞推薦領(lǐng)域，由于新聞獨(dú)有的實(shí)時(shí)動(dòng)態(tài)特性，需要研究針對(duì)動(dòng)態(tài)新聞的推薦系統(tǒng)?，F(xiàn)有的推薦盡管能獲得豐富的項(xiàng)目元數(shù)據(jù)，包括項(xiàng)目主體內(nèi)容，分類目錄，摘要等內(nèi)容，但項(xiàng)目粒度過于不均勻，通常需要在模型中確定項(xiàng)目具體的因子（權(quán)重）。由于估計(jì)項(xiàng)目因子屬于密集型計(jì)算，所以實(shí)時(shí)推薦面臨的重要挑戰(zhàn)是如何快速在線為新項(xiàng)目（例如新

2、聞、事件更新、推特）學(xué)習(xí)因子。
　　我們提出了一個(gè)快速學(xué)習(xí)隱語(yǔ)義模型，通過在線回歸方法快速學(xué)習(xí)項(xiàng)目的具體因子?？梢元?dú)立運(yùn)行針對(duì)每個(gè)項(xiàng)目的在線回歸，處理過程快速，可擴(kuò)展且容易并行開展。但這些獨(dú)立回歸的收斂會(huì)由于維度高而進(jìn)展緩慢。因此，我們使用大量的歷史數(shù)據(jù)提取用戶項(xiàng)目特征進(jìn)行線下學(xué)習(xí)并作為模型的初始化過程以及學(xué)習(xí)用戶與項(xiàng)目的基礎(chǔ)因子模型，然后降維并存檔。在線時(shí)段，提取高峰時(shí)段行為數(shù)據(jù)最優(yōu)化低維修正向量。借助基于優(yōu)化預(yù)測(cè)可能性的在線模

3、型，估算線性預(yù)測(cè)目標(biāo)的評(píng)分。這樣既降低了模型學(xué)習(xí)的維度，又保證了隱含因子學(xué)習(xí)的準(zhǔn)確性，取得實(shí)時(shí)良好的推薦效果。并基于此方法給出了個(gè)性化新聞推薦的系統(tǒng)實(shí)現(xiàn)過程。
　　大量的實(shí)驗(yàn)表明我們的方法顯著、一致優(yōu)于其它競(jìng)爭(zhēng)方法（基于特征、離線、在線協(xié)同過濾，概率潛語(yǔ)義索引等）并且獲得了相對(duì)提升：在預(yù)測(cè)的對(duì)數(shù)似然性方面有10％~15%的提升；度量專有My Yahoo!數(shù)據(jù)集上相關(guān)性評(píng)分有200%~300%的提升；對(duì)比Movie Lens數(shù)據(jù)集上

4、使用基于時(shí)間的訓(xùn)練數(shù)據(jù)劃分方法有了9%的均方根誤差的降低。
　　本文主要工作包括：
　　1、構(gòu)建線下模型：對(duì)海量新聞和用戶實(shí)現(xiàn)快速準(zhǔn)確的關(guān)鍵特征提取，滿足基于特征初始化的推薦要求，為實(shí)時(shí)推薦作準(zhǔn)備。
　　2、構(gòu)建線上模型：基于用戶即時(shí)行為記錄，快速學(xué)習(xí)線上修正參數(shù)使線上模型快速收斂，為每個(gè)用戶構(gòu)建完整的個(gè)性化的偏好模型。
　　3、設(shè)計(jì)并實(shí)現(xiàn)推薦系統(tǒng)并確保性能滿足要求，實(shí)現(xiàn)實(shí)時(shí)為不同的用戶推薦個(gè)性化新聞推薦的方案，