條件偏好挖掘與推薦系統(tǒng)關(guān)鍵問題研究.pdf

1、在大數(shù)據(jù)時代，偏好挖掘和推薦系統(tǒng)緩解了信息過載帶來的困擾，給在線商業(yè)系統(tǒng)帶來了巨大的經(jīng)濟(jì)效益，同時也為普通客戶提供了便利，受到了越來越多的重視。偏好挖掘和推薦系統(tǒng)的研究涉及到知識表示及發(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)價值。本文研究了偏好挖掘和推薦系統(tǒng)中幾個重要的科學(xué)問題，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具有簡潔明了的特點，是近年來備受關(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。本文對該問題建模，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)測試和一致性測試復(fù)雜度較低的優(yōu)勢，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)和真實數(shù)據(jù)上的實驗結(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)檢驗的方法確定。據(jù)此提出了基于假設(shè)檢驗的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題的最優(yōu)解，但當(dāng)提供足夠多的訓(xùn)練樣本時，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)量趨于無窮時，該方法得到的CP-nets依概率收斂于真實CP-nets。此外，該方法具有多項式級的時間復(fù)雜度，有更廣泛的應(yīng)用空間。
　　（3）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)對冷啟動問題和數(shù)據(jù)稀疏問題。此外，本文的方法計算高效，而且不需要調(diào)整參數(shù)，能用于數(shù)據(jù)量巨大的場合。在三個大規(guī)模

6、真實數(shù)據(jù)集上的實驗結(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分預(yù)測準(zhǔn)確性和更快的收斂速度。另外，在冷啟動條件下的實驗中，本文的方法也優(yōu)于對比方法。
　?。?）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）。由于采用了新的評價標(biāo)準(zhǔn)，ListPMF能得到的更令人滿意的推薦結(jié)果。同時，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算效率，能處理大型的真實數(shù)據(jù)。與現(xiàn)有方法的比較結(jié)果顯示本文的方法超過了基于矩陣分解的其它推薦方法。
　　最后，對全文做了總結(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