面向推薦系統(tǒng)的關鍵問題研究及應用.pdf

1、隨著互聯(lián)網(wǎng)近年來在國內外爆炸式的發(fā)展，互聯(lián)網(wǎng)上的數(shù)據(jù)、信息以前所未有的速度瘋狂增長。因此怎樣從海量數(shù)據(jù)中發(fā)現(xiàn)自己希望尋找的內容已經(jīng)成為越來越多的用戶面臨的一大難題，也成為大量專家學者研究的熱門課題。
　　用戶從互聯(lián)網(wǎng)上發(fā)現(xiàn)并獲取數(shù)據(jù)信息，一般看來經(jīng)歷了三個階段:1，最初始是各類門戶網(wǎng)站的建立，如sina、sohu、yahoo等，他們幫助用戶梳理、組織各類常用的熱門的資源、信息，供用戶發(fā)現(xiàn)、瀏覽。但一方面梳理整合的信息畢竟是有限的，

2、用戶的需求不一定包含其中;另一方面隨著數(shù)據(jù)的爆炸式增長，太多的數(shù)據(jù)會使得門戶網(wǎng)站變得雜亂臃腫，因此這些網(wǎng)站也只能選擇相對重要的信息檢索。2，然后是搜索引擎的出現(xiàn)，如google，baidu等，用戶能通過搜索引擎檢索自己希望獲取的內容;然而檢索結果的準確性極依賴于用戶對問題的描述，同時一般用戶的描述通常是不夠準確的，這會直接導致檢索結果出現(xiàn)偏差，用戶很難完全準確的找到自己所需的結果。3，最近則是推薦系統(tǒng)的產(chǎn)生，用戶不再需要主動搜索，而系統(tǒng)

3、會智能的通過用戶的屬性信息，用戶的歷史記錄，為用戶推薦用戶可能會需要的信息，如taobao、netflix等會智能的為用戶推薦商品、電影，這在用戶需求不夠明確時，能為用戶精簡信息。值得注意的是以上三個階段不是一個進化的過程，而是一個相互補充，互相協(xié)作的關系。
　　由于推薦系統(tǒng)能很好的解決互聯(lián)網(wǎng)“信息過載”的問題，因此廣受用戶歡迎，也因此被越來越多的網(wǎng)站、公司使用，而與之相應的推薦算法也越來越受到學術界的重視，成為一個重要的研究領域

4、。然而面對不同種類的數(shù)據(jù)與越來越復雜的應用場景，推薦系統(tǒng)會面臨不同的問題，如冷啟動問題和可擴展性等常規(guī)問題;又如應用場景的區(qū)別、數(shù)據(jù)分布的不一致會使得同樣的算法在不同場景、數(shù)據(jù)上得到的結果相差很遠;同時存在的是某些推薦算法問題的求解困難等新問題。針對以上推薦系統(tǒng)中存在的問題，本文深入研究推薦系統(tǒng)，做了以下幾點研究工作:
　　(1)基于非參數(shù)統(tǒng)計的相似度模型研究。
　　協(xié)同過濾算法是推薦系統(tǒng)最基本也是最主流的算法，被成功的運用

5、于大量商業(yè)模型中，取得了很好的效果。該算法主要由兩步組成，其中相似度的計算是第一步也是最為關鍵的一步。然而1，不同應用場景的數(shù)據(jù)會有各自的特點，具有明顯的差異性、分布明顯不同，使用同樣的相似度度量模型是不夠準確的;2，傳統(tǒng)的歐氏距離、皮爾遜相關度、余弦相似度等都有各自的局限性，已經(jīng)不能直接應用于越來越復雜的場景;3，對于稀疏的數(shù)據(jù)，算出的相似度置信概率極低，直接用于推薦會降低推薦精度?；谝陨显?，本文提出了一種基于非參數(shù)統(tǒng)計的相似度模

6、型，基于非參數(shù)統(tǒng)計的思想，該模型能將不同場景的數(shù)據(jù)映射到統(tǒng)一的空間，去除不同數(shù)據(jù)間的差異，將其統(tǒng)一到相同的標準。同時由于投影后的空間具有良好的線性性，相似度度量能很好的使用線性相似度方式計算，解決上述幾點問題，提高推薦精度。
　　(2)基于時間回溯的特征預測模型研究。
　　數(shù)據(jù)量的不足往往是各種機器學習模型面臨的最大問題之一，大量的研究表明，數(shù)據(jù)對于模型結果的重要性遠遠大于算法對于模型的重要性。在推薦系統(tǒng)中，用戶的歷史行為是

7、最主要的模型數(shù)據(jù)來源。傳統(tǒng)的推薦系統(tǒng)可以根據(jù)用戶的歷史行為預測他們的屬性（如愛好、年齡、性別等），也可以直接通過歷史行為找到類似的用戶進而進行推薦。然而一直以來的研究中，對用戶歷史行為的使用都是樸素、簡單的，并沒有注重歷史行為的時間維度。本文提出了一種基于時間回溯的特征預測模型，使歷史數(shù)據(jù)的利用率大大增大，從某種意義上數(shù)倍的豐富了數(shù)據(jù)量，提高預測精度。并且，本文在taobao的真實數(shù)據(jù)上使用該方法預測用戶孩子的年齡，結果表明預測精度大大

8、高于傳統(tǒng)方法。
　　(3)基于演化博弈的全局優(yōu)化算法研究。
　　大量的推薦算法問題，甚至數(shù)據(jù)挖掘問題，在模型的求解過程中，都會規(guī)約到求解全局優(yōu)化問題。因此求解全局優(yōu)化問題是推薦系統(tǒng)中的一個重點問題，也是難點問題。目前，常用的算法，如梯度下降法、隨機梯度下降法或者牛頓法，只適合求解凸函數(shù)最優(yōu)化（凸優(yōu)化）問題。而本文提出的基于演化博弈的全局優(yōu)化算法嘗試求解連續(xù)域上的全局優(yōu)化問題，剔除掉凸函數(shù)這一強限制條件。同時在求解的過程中，基