個性化推薦的可解釋性研究

第 1章引言 .1
1.1研究背景 1
1.2問題的提出 .5
1.3面臨的主要挑戰(zhàn) 6
1.4主要貢獻 9
第 2章研究現(xiàn)狀與相關(guān)工作  11
2.1個性化推薦 . 11
2.1.1基于內(nèi)容的推薦 . 12
2.1.2基于協(xié)同過濾的推薦 . 12
2.1.3混合型推薦系統(tǒng) . 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(jié)  21
第 3章數(shù)據(jù)的可解釋性 . 23
3.1矩陣的群組結(jié)構(gòu)  23
3.1.1概述  23
3.1.2相關(guān)工作 . 26
3.1.3雙邊塊對角矩陣及其性質(zhì)  27
3.1.4矩陣的雙邊塊對角化算法  33
3.1.5基于塊對角陣的協(xié)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(guān)工作 . 40
3.2.3雙邊塊對角矩陣的分解性質(zhì) . 41
3.2.4近似矩陣分解算法及其可拆分性質(zhì) . 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(jié)構(gòu)的定性研究  53
3.3.2局部化矩陣分解算法性能及預(yù)測精度 . 57
3.4本章小結(jié)  64
第 4章模型的可解釋性 . 67
4.1顯式變量分解模型 . 67
4.1.1概述  67
4.1.2相關(guān)工作 . 70
4.1.3基于用戶評論的情感詞典構(gòu)建 . 71
4.1.4顯式變量分解模型及其可解釋性  73
4.1.5推薦列表的構(gòu)建 . 77
4.1.6屬性級個性化推薦理由的構(gòu)建 . 79
4.2動態(tài)化時序推薦模型 . 80
4.2.1概述  80
4.2.2相關(guān)工作 . 82
4.2.3用戶偏好的時序性質(zhì) . 84
4.2.4屬性詞流行度的動態(tài)預(yù)測  88
4.2.5基于條件機會估計的時序推薦模型 . 91
4.3性能評測  94
4.3.1基于顯式變量模型的可解釋性推薦評測  95
4.3.2基于瀏覽器的真實用戶線上評測  104
4.3.3基于屬性詞流行度的動態(tài)推薦評測 . 107
4.4本章小結(jié)  117
目錄 19
第 5章推薦的經(jīng)濟學(xué)解釋 . 119
5.1互聯(lián)網(wǎng)福利的最大化 . 119
5.1.1概述  119
5.1.2相關(guān)工作 . 121
5.1.3互聯(lián)網(wǎng)成本效用與福利 . 122
5.1.4基于福利最大化的個性化推薦框架 . 126
5.2典型網(wǎng)絡(luò)平臺中的福利最大化  129
5.2.1電子商務(wù)網(wǎng)站 . 130
5.2.2 P2P網(wǎng)絡(luò)貸款  132
5.2.3在線眾包平臺 . 134
5.2.4小結(jié)與討論  136
5.3性能評測  137
5.3.1電子商務(wù)網(wǎng)站 . 137
5.3.2 P2P網(wǎng)絡(luò)貸款  142
5.3.3在線自由職業(yè)與眾包平臺  144
5.4本章小結(jié)  146
第 6章總結(jié)與展望 . 149
6.1總結(jié) . 149
6.2展望 . 151
參考文獻 . 153
在學(xué)期間發(fā)表的學(xué)術(shù)論文  183
致謝  187