個性化推薦的可解釋性研究

內容簡介

個性化推薦技術已經成為網際網路套用的基礎技術之一，它廣泛套用於電子商務、搜尋引擎、社會網路、新聞閱讀等網際網路服務中，成為用戶獲得信息的重要途徑之一。本文以個性化推薦的可解釋性為主題，在數據、模型和經濟效益三個層面上展開探討。在數據上，個性化推薦的評分矩陣可以等價描述為用戶-物品二部圖上的社區發現結構；在模型上，個性化算法元挨舉可以給出與推薦模型緊密相關的個性化推薦理由；在經濟效益上，個性化推薦可以作為網際網路商品服務資源分配的基本手段，實現網際網路社會福利的最大化，從恥屑捉而提高網際網路經濟系統的效益。

圖書目錄

第 1章引言 .1

1.1研究背景 1

1.2問夜鞏題的提出 .5

1.3面臨的主要挑戰 6

1.4主要貢獻 9

第 2章研究現狀與相關工作 11

2.1個性化推薦 . 11

2.1.1基於內容的推薦 . 12

2.1.2基於協同過濾的推薦 . 12

2.1.3混合型推薦系統 . 15

2.2矩陣分解 16

2.3推薦的可解釋性 19

2.4文本情感分析 . 20

2.5本章小結 21

第 3章數據的可解釋性 . 23

3.1矩陣的群組結構 23

3.1.1概述 23

3.1.2相關工作 . 26

3.1.3雙邊塊對角矩陣及其性質 27

3.1.4矩陣的雙邊塊櫻埋婆對角化算法 33

3.1.5基於塊對角陣的協同過濾 37

3.2局部化矩陣分解算法 . 38

3.2.1概述 39

3.2.2相關工作 . 40

3.2.3雙邊塊對角矩陣的分解性質 . 41

3.2.4近似矩陣分解算法及其可拆分性質 . 44

3.2.5局部化矩陣分解框架 . 49

3.2.6平衡矩陣塊對角化算法 . 50

3.3性能評測 53

3.3.1雙邊塊對角矩陣與群組結構的定性研究 53

3.3.2局部化矩陣分解算法性能及預測精度 . 57

3.4本章小結 64

第 4章模型的可解釋性 . 67

4.1顯式變數分解模型 . 67

4.1.1概述 67

4.1.2相禁乎旋探關工作 . 70

4.1.3基於用戶評論的情感詞典構建 . 71

4.1.4顯式變數分解模型及其可解釋慨踏兵性 73

4.1.5推薦列表的構建 . 77

4.1.6屬性級個性化推薦理由的構建 . 79

4.2動態化時序推薦模型 . 80

4.2.1概述 80

4.2.2相關工作 . 82

4.2.3用戶偏好的時序性質 . 84

4.2.4屬性詞流行度的動態預測 88

4.2.5基於條件機會估計的時序推薦模型 . 91

4.3性能評測 94

4.3.1基於顯式變數模型的可解釋性推薦評測 95

4.3.2基於瀏覽器的真實用戶線上評測 104

4.3.3基於屬性詞流行度的動態推薦評測 . 107

4.4本章小結 117

19

第 5章推薦的經臘遷葛閥濟學解釋 . 119

5.1網際網路福利的最大化 . 119

5.1.1概述 119

5.1.2相關工作 . 121

5.1.3網際網路成本效用與福利 . 122

5.1.4基於福利最大化的個性化推薦框架 . 126

5.2典型網路平台中的福利最大化 129

5.2.1電子商務網站 . 130

5.2.2 P2P網路貸款 132

5.2.3線上眾包平台 . 134

5.2.4小結與討論 136

5.3性能評測 137

5.3.1電子商務網站 . 137

5.3.2 P2P網路貸款 142

5.3.3線上自由職業與眾包平台 144

5.4本章小結 146

第 6章總結與展望 . 149

6.1總結 . 149

6.2展望 . 151

參考文獻 . 153

在學期間發表的學術論文 183

致謝 187

個性化推薦的可解釋性研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條