基于在線快速學習隱語義模型的個性化新聞推薦.pdf

1、互聯(lián)網(wǎng)中的個性化新聞，個性化在線廣告、網(wǎng)絡搜索等應用擁有龐大、動態(tài)項目池，由此產生的推薦問題在Web應用程序中無處不在，特別是在個性化新聞推薦領域，由于新聞獨有的實時動態(tài)特性，需要研究針對動態(tài)新聞的推薦系統(tǒng)?，F(xiàn)有的推薦盡管能獲得豐富的項目元數(shù)據(jù)，包括項目主體內容，分類目錄，摘要等內容，但項目粒度過于不均勻，通常需要在模型中確定項目具體的因子（權重）。由于估計項目因子屬于密集型計算，所以實時推薦面臨的重要挑戰(zhàn)是如何快速在線為新項目（例如新

2、聞、事件更新、推特）學習因子。
　　我們提出了一個快速學習隱語義模型，通過在線回歸方法快速學習項目的具體因子。可以獨立運行針對每個項目的在線回歸，處理過程快速，可擴展且容易并行開展。但這些獨立回歸的收斂會由于維度高而進展緩慢。因此，我們使用大量的歷史數(shù)據(jù)提取用戶項目特征進行線下學習并作為模型的初始化過程以及學習用戶與項目的基礎因子模型，然后降維并存檔。在線時段，提取高峰時段行為數(shù)據(jù)最優(yōu)化低維修正向量。借助基于優(yōu)化預測可能性的在線模

3、型，估算線性預測目標的評分。這樣既降低了模型學習的維度，又保證了隱含因子學習的準確性，取得實時良好的推薦效果。并基于此方法給出了個性化新聞推薦的系統(tǒng)實現(xiàn)過程。
　　大量的實驗表明我們的方法顯著、一致優(yōu)于其它競爭方法（基于特征、離線、在線協(xié)同過濾，概率潛語義索引等）并且獲得了相對提升：在預測的對數(shù)似然性方面有10％~15%的提升；度量專有My Yahoo!數(shù)據(jù)集上相關性評分有200%~300%的提升；對比Movie Lens數(shù)據(jù)集上

4、使用基于時間的訓練數(shù)據(jù)劃分方法有了9%的均方根誤差的降低。
　　本文主要工作包括：
　　1、構建線下模型：對海量新聞和用戶實現(xiàn)快速準確的關鍵特征提取，滿足基于特征初始化的推薦要求，為實時推薦作準備。
　　2、構建線上模型：基于用戶即時行為記錄，快速學習線上修正參數(shù)使線上模型快速收斂，為每個用戶構建完整的個性化的偏好模型。
　　3、設計并實現(xiàn)推薦系統(tǒng)并確保性能滿足要求，實現(xiàn)實時為不同的用戶推薦個性化新聞推薦的方案，