首页> 中文学位 >一种基于矩阵分解的用户行为数据多任务学习模型
【6h】

一种基于矩阵分解的用户行为数据多任务学习模型

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 论文的研究背景和意义

1.2相关研究工作及技术现状

1.3 本文的主要工作

1.4 本文的组织结构

第二章 矩阵分解

2.1 矩阵的奇异值分解

2.2 推荐系统中的矩阵分解

2.3 矩阵的加权分解

2.4 矩阵的非负分解

2.5 本章小结

第三章 多任务学习

3.1 正则化多任务学习

3.2 非凸多任务学习

3.3 基于核函数的多任务学习

3.4 最小化目标函数的优化方法

3.5 本章小结

第四章 基于矩阵分解的多任务学习模型

4.1 基于矩阵分解的多任务学习线性模型

4.2 基于矩阵分解的多任务学习非线性模型

4.3 本章小结

第五章 实验与分析

5.1 实验工具

5.2 实验数据集描述

5.3 评测标准

5.4 实验设计

5.5 实验分析

5.6 实验小结

第六章 总结与展望

6.1 总结

6.2 后续工作展望

致谢

参考文献

攻读硕士学位期间取得的成果

展开▼

摘要

随着信息技术以及通信技术的迅猛发展,每天都会有海量的用户行为数据产生,比如新浪上发送的微博,苹果APP里下载的应用、淘宝卖出的商品、人人网上发生的访问、百度产生的搜索查询等等。人类行为可以通过数据分析予以预测,但是如何在这些用户行为数据信息中找到商机?又如何给用户推荐个性化的服务?基于用户行为数据的挖掘技术迫切需要深入地研究。数据挖掘技术可以挖掘出隐藏的潜在知识模式,为人们获取所需的知识信息并决策提供帮助。
  矩阵分解模型是一种基于隐藏特征向量的方法,可以有效地利用海量的用户交互信息数据。多任务学习可以通过学习多个任务间的共享结构和每个任务之间的差别,可以很好的提升挖掘技术的性能。鉴于此,本文主要提出了一种基于用户行为数据的挖掘方法,很好地融合了矩阵分解技术和多任务学习技术的优点,适合处理海量的用户行为数据。
  本文的主要工作包括一下三个方面:
  第一,本文首先提出的基于用户行为数据的线性挖掘方法MF_MTL模型,这个模型巧妙地融合了用户已有的静态属性和用户与物品的动态评分矩阵分解得到的隐变量特征,然后结合多任务学习技术的优势,共同预测目标变量。一般情况下,用户行为数据不仅是高维而且还是高度稀疏的,基于这类数据上的个性化推荐算法中,矩阵分解模型的效果是最出类拔萃的。所以,本文提出的模型在方法上采取了矩阵分解和多任务学习的优势,同时在数据方面有效地融合了用户个人信息和用户行为数据,博采众长,可以更好的提升模型的性能。
  第二,实际应用中,数据之间并不是简单的线性关系,采用内积核函数定义的非线性变换将输入空间映射到一个高维空间,然后在输入空间解决问题,将MF_MTL模型推广到更广泛的非线性领域。本文使用经验最小化原则和添加正则化项的方式避免发生拟合现象。
  第三,本文采用最小二乘技术建立MF_MTL模型,通过优化理论的拉格朗日乘数法将带等式约束的优化问题转化为线性系统的求解问题。相比于传统的带不等式约束的优化算法,基于交替最小二乘法的优化算法在一定程度上降低了计算复杂度。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号