个性化推荐的可解释性研究
| 作者 |
| 张永锋 |
| 丛书名 |
| 清华大学优秀博士学位论文丛书 |
| 出版社 |
| 清华大学出版社 |
| ISBN |
| 9787302531968 |
| 简要 |
| 简介 |
| 内容简介 个性化推荐技术已经成为互联网应用的基础技术之一，它广泛应用于电子商务、搜索引擎、社会网络、新闻阅读等互联网服务中，成为用户获得信息的重要途径之一。本文以个性化推荐的可解释性为主题，在数据、模型和经济效益三个层面上展开探讨。在数据上，个性化推荐的评分矩阵可以等价描述为用户-物品二部图上的社区发现结构；在模型上，个性化算法可以给出与推荐模型紧密相关的个性化推荐理由；在经济效益上，个性化推荐可以作为互联网商品服务资源分配的基本手段，实现互联网社会福利的*化，从而提高互联网经济系统的效益。 |
| 目录 |
| 第 1章引言 .1 1.1研究背景 1 1.2问题的提出 .5 1.3面临的主要挑战 6 1.4主要贡献 9 第 2章研究现状与相关工作 11 2.1个性化推荐 . 11 2.1.1基于内容的推荐 . 12 2.1.2基于协同过滤的推荐 . 12 2.1.3混合型推荐系统 . 15 2.2矩阵分解 16 2.3推荐的可解释性 19 2.4文本情感分析 . 20 2.5本章小结 21 第 3章数据的可解释性 . 23 3.1矩阵的群组结构 23 3.1.1概述 23 3.1.2相关工作 . 26 3.1.3双边块对角矩阵及其性质 27 3.1.4矩阵的双边块对角化算法 33 3.1.5基于块对角阵的协同过滤 37 3.2局部化矩阵分解算法 . 38 3.2.1概述 39 3.2.2相关工作 . 40 3.2.3双边块对角矩阵的分解性质 . 41 3.2.4近似矩阵分解算法及其可拆分性质 . 44 3.2.5局部化矩阵分解框架 . 49 3.2.6平衡矩阵块对角化算法 . 50 3.3性能评测 53 3.3.1双边块对角矩阵与群组结构的定性研究 53 3.3.2局部化矩阵分解算法性能及预测精度 . 57 3.4本章小结 64 第 4章模型的可解释性 . 67 4.1显式变量分解模型 . 67 4.1.1概述 67 4.1.2相关工作 . 70 4.1.3基于用户评论的情感词典构建 . 71 4.1.4显式变量分解模型及其可解释性 73 4.1.5推荐列表的构建 . 77 4.1.6属性级个性化推荐理由的构建 . 79 4.2动态化时序推荐模型 . 80 4.2.1概述 80 4.2.2相关工作 . 82 4.2.3用户偏好的时序性质 . 84 4.2.4属性词流行度的动态预测 88 4.2.5基于条件机会估计的时序推荐模型 . 91 4.3性能评测 94 4.3.1基于显式变量模型的可解释性推荐评测 95 4.3.2基于浏览器的真实用户线上评测 104 4.3.3基于属性词流行度的动态推荐评测 . 107 4.4本章小结 117 19 第 5章推荐的经济学解释 . 119 5.1互联网福利的最大化 . 119 5.1.1概述 119 5.1.2相关工作 . 121 5.1.3互联网成本效用与福利 . 122 5.1.4基于福利最大化的个性化推荐框架 . 126 5.2典型网络平台中的福利最大化 129 5.2.1电子商务网站 . 130 5.2.2 P2P网络贷款 132 5.2.3在线众包平台 . 134 5.2.4小结与讨论 136 5.3性能评测 137 5.3.1电子商务网站 . 137 5.3.2 P2P网络贷款 142 5.3.3在线自由职业与众包平台 144 5.4本章小结 146 第 6章总结与展望 . 149 6.1总结 . 149 6.2展望 . 151 参考文献 . 153 在学期间发表的学术论文 183 致谢 187 |
有问题微信扫码联系