長(zhǎng)尾信息的個(gè)性化推薦中的特征選擇優(yōu)化算法.pdf

1、隨著電子商務(wù)的快速發(fā)展，購(gòu)物網(wǎng)站產(chǎn)生了海量的商品信息，這使得用戶(hù)難于從中發(fā)現(xiàn)目標(biāo)商品（特別是長(zhǎng)尾目標(biāo)商品）。個(gè)性化推薦系統(tǒng)是當(dāng)前解決這一問(wèn)題的有效方式，研究改善推薦系統(tǒng)的性能具有巨大的經(jīng)濟(jì)價(jià)值。特征是從數(shù)據(jù)中提取的表征用戶(hù)個(gè)性和偏好的量，如何選擇高質(zhì)量的特征對(duì)改善推薦系統(tǒng)的性能有著十分重要的意義。當(dāng)前推薦系統(tǒng)領(lǐng)域的研究多集中在算法和模型，對(duì)特征選擇優(yōu)化的研究關(guān)注較少。本文對(duì)單模型推薦系統(tǒng)和分類(lèi)器融合策略進(jìn)行了研究，在此基礎(chǔ)上提出了一種優(yōu)

2、化特征選擇的融合算法，和一種可行的分類(lèi)器融合方案。
　　本研究主要內(nèi)容包括：⑴對(duì)矩陣分解模型中的FunkSVD算法、邏輯回歸算法(Logistic Regression，LR)和梯度迭代回歸算法(Gradient Boosting Regression Tree，GBRT)的原理和實(shí)現(xiàn)進(jìn)行了研究。分析了三種算法的模型復(fù)雜度、訓(xùn)練效率、應(yīng)用場(chǎng)景和優(yōu)勢(shì)與不足，論述了LR算法對(duì)特征的篩選原理，以及GBRT算法的強(qiáng)分類(lèi)能力，并對(duì)LR算法和

3、GBRT算法的融合潛力進(jìn)行了論證。⑵提出了一種基于邏輯回歸和GBRT模型的融合算法。算法引入了分維度的特征篩選，用LR算法將特征區(qū)分為偏向于正樣本和偏向于負(fù)樣本兩個(gè)維度;構(gòu)建不同參數(shù)的LR算法，將特征篩選劃分為不同的粒度;將GBRT算法訓(xùn)練特征的隨機(jī)抽取優(yōu)化為等比例從兩個(gè)特征維度隨機(jī)抽取;為GBRT算法的訓(xùn)練特征加入順序規(guī)則，優(yōu)化訓(xùn)練效率。⑶給出了一種分類(lèi)器融合方案，選用基于邏輯回歸和GBRT模型的融合算法以及FunkSVD算法進(jìn)行分類(lèi)