基于主動學(xué)習(xí)的個性化推薦算法研究.pdf

1、隨著信息技術(shù)的不斷發(fā)展，互聯(lián)網(wǎng)日益成為人們生活必不可少的東西，人們借助互聯(lián)網(wǎng)可以完成新聞瀏覽、網(wǎng)上購物、觀看影片、分享信息等操作，這拉近了人們之間的距離。正由于其迅速發(fā)展，冗余信息、無用信息越來越多，隨之帶來的是信息過載問題。為了解決信息過載問題，各領(lǐng)域?qū)＜姨岢隽朔诸惸夸?，搜索系統(tǒng)等諸多技術(shù)，目前推薦系統(tǒng)也成為解決信息過載的主流技術(shù)之一。推薦系統(tǒng)的目標(biāo)是挖掘用戶潛在的興趣，幫助用戶完成信息過濾。
　　本文研究了基于主動學(xué)習(xí)的推薦系

2、統(tǒng)，利用主動學(xué)習(xí)能夠主動選擇合適的訓(xùn)練集，加快建立準(zhǔn)確模型的速度的特點(diǎn)，解決冷啟動中的新用戶問題。通過在公開數(shù)據(jù)集MovieLens和MovieRating上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了本文提出的算法確實(shí)可以緩解新用戶問題。
　　本文的主要工作和貢獻(xiàn)有:
　　1)本文分析研究了目前主流的推薦算法和主動學(xué)習(xí)算法，在推薦算法上，重點(diǎn)研究了基于矩陣分解的Baseline SVD算法，并通過實(shí)驗(yàn)比較，驗(yàn)證了其確實(shí)優(yōu)于其他算法。
　　2)本

3、文分析了推薦系統(tǒng)目前存在的難點(diǎn)和重點(diǎn)，針對冷啟動的新用戶問題，提出了一種基于震蕩系數(shù)作為主動學(xué)習(xí)樣例選擇的策略，Baseline SVD作為基準(zhǔn)學(xué)習(xí)器的方法。通過與隨機(jī)選擇策略和流行選擇策略進(jìn)行比較，證明了本文提出的算法確實(shí)有利于對新用戶加快啟動推薦。
　　3)基于震蕩系數(shù)的算法是基于改變浮動較大的樣本具有更高價值的假設(shè)，然而震蕩系數(shù)受到很多因素的影響，例如模型本身的不準(zhǔn)確性。本文提出了另一種基于誤差估計的樣例選擇策略，并將其與基