條件偏好挖掘與推薦系統(tǒng)關(guān)鍵問(wèn)題研究.pdf

1、在大數(shù)據(jù)時(shí)代，偏好挖掘和推薦系統(tǒng)緩解了信息過(guò)載帶來(lái)的困擾，給在線商業(yè)系統(tǒng)帶來(lái)了巨大的經(jīng)濟(jì)效益，同時(shí)也為普通客戶提供了便利，受到了越來(lái)越多的重視。偏好挖掘和推薦系統(tǒng)的研究涉及到知識(shí)表示及發(fā)現(xiàn)、決策支持、機(jī)器學(xué)習(xí)等研究領(lǐng)域，具有重要的學(xué)術(shù)價(jià)值。本文研究了偏好挖掘和推薦系統(tǒng)中幾個(gè)重要的科學(xué)問(wèn)題，主要包括：
　?。?）研究了條件偏好網(wǎng)絡(luò)（Coditional Preference Network, CP-nets）的學(xué)習(xí)方法。CP-net

2、s具有簡(jiǎn)潔明了的特點(diǎn)，是近年來(lái)備受關(guān)注的條件偏好表示方法。但是，由于CP-nets的規(guī)模與變量的個(gè)數(shù)成指數(shù)關(guān)系，CP-nets的學(xué)習(xí)算法存在復(fù)雜度高、限制條件較多的問(wèn)題，從不一致的訓(xùn)練樣本中學(xué)習(xí)CP-nets尤其困難。本文對(duì)該問(wèn)題建模，并提出了求解該模型的方法。本文提出的CP-nets學(xué)習(xí)算法利用了在偏好圖中進(jìn)行占優(yōu)測(cè)試和一致性測(cè)試復(fù)雜度較低的優(yōu)勢(shì)，分兩步從不一致的訓(xùn)練樣本中學(xué)習(xí)得到CP-nets，即先學(xué)習(xí)得到偏好圖，然后將其等價(jià)變換到

3、CP-nets。從理論上可以證明該方法得到的CP-nets能夠滿足的訓(xùn)練樣本具有最大的權(quán)重和。在模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明與其它類似方法相比本文的方法具有更高的準(zhǔn)確性。
　　（2）為了進(jìn)一步降低CP-nets學(xué)習(xí)算法的計(jì)算復(fù)雜度，研究了CP-nets的近似學(xué)習(xí)算法。在有足夠多的訓(xùn)練樣本的情況下，變量之間的條件依賴關(guān)系可采用假設(shè)檢驗(yàn)的方法確定。據(jù)此提出了基于假設(shè)檢驗(yàn)的CP-nets學(xué)習(xí)算法。該算法是一種近似算法，能夠處理大量

4、有噪聲的訓(xùn)練樣本。該方法雖不能保證找到問(wèn)題的最優(yōu)解，但當(dāng)提供足夠多的訓(xùn)練樣本時(shí)，該方法能夠達(dá)到滿意的準(zhǔn)確度。從理論上可以證明當(dāng)訓(xùn)練樣本數(shù)量趨于無(wú)窮時(shí)，該方法得到的CP-nets依概率收斂于真實(shí)CP-nets。此外，該方法具有多項(xiàng)式級(jí)的時(shí)間復(fù)雜度，有更廣泛的應(yīng)用空間。
　?。?）研究了如何在推薦系統(tǒng)中有效利用社交關(guān)系、物品信息等附加信息，以獲得更準(zhǔn)確的推薦結(jié)果。本文對(duì)貝葉斯概率矩陣分解（Bayesian Probabilistic

5、Matrix Factorization，BPMF）模型進(jìn)行了改進(jìn)，假設(shè)每一個(gè)用戶和物品有不同的超參數(shù)，并根據(jù)用戶的社交關(guān)系和物品信息為每個(gè)用戶和物品生成相應(yīng)的超參數(shù)。據(jù)此提出了融合社交關(guān)系和物品信息的貝葉斯概率矩陣分解方法。這種全新的、融合社交關(guān)系和物品信息的方法不同于傳統(tǒng)的基于正規(guī)化的方法，也不同于基于分解的方法，能更好的應(yīng)對(duì)冷啟動(dòng)問(wèn)題和數(shù)據(jù)稀疏問(wèn)題。此外，本文的方法計(jì)算高效，而且不需要調(diào)整參數(shù)，能用于數(shù)據(jù)量巨大的場(chǎng)合。在三個(gè)大規(guī)模

6、真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明本文的方法與其它基于矩陣分解的方法相比具有更高的評(píng)分預(yù)測(cè)準(zhǔn)確性和更快的收斂速度。另外，在冷啟動(dòng)條件下的實(shí)驗(yàn)中，本文的方法也優(yōu)于對(duì)比方法。
　　（4）研究了如何使推薦算法得到的結(jié)果更符合用戶偏好的問(wèn)題。本文提出了新的度量推薦結(jié)果與用戶偏好之間差異的標(biāo)準(zhǔn)。并提出了優(yōu)化基于此標(biāo)準(zhǔn)的矩陣分解推薦算法：以列表為單位的概率矩陣分解方法（List-wise Probabilistic Matrix Factorizat

7、ion，ListPMF）。由于采用了新的評(píng)價(jià)標(biāo)準(zhǔn)，ListPMF能得到的更令人滿意的推薦結(jié)果。同時(shí)，ListPMF可以方便的擴(kuò)展以利用社交關(guān)系等附加信息，進(jìn)一步提高推薦的準(zhǔn)確率。本文提出的方法具有較高的計(jì)算效率，能處理大型的真實(shí)數(shù)據(jù)。與現(xiàn)有方法的比較結(jié)果顯示本文的方法超過(guò)了基于矩陣分解的其它推薦方法。
　　最后，對(duì)全文做了總結(jié)并提出偏好挖掘與推薦系統(tǒng)今后的研究方向，其中包括進(jìn)一步研究合理的條件偏好近似表示方法以及基于此表示方法的矩