• 国际交流
  • 同学中心
  • 工作发展
  • 老师声音

  • 文档下载
  • 首页    新闻中心   老师声音

    陆炜:深度贝叶斯模型在引进系统中的应用研究

    笔者:陆炜  来源:活动   /  创新日期: 2019-03-26  点击量:2011

    基于关系数据的最大化推荐在在线视频观看平台起着至关重要的打算。为了增加用户粘着度、增强整体满意度,新鲜需要付出寻找最相关内容并向用户推荐的劳务。鉴于准确性不是推荐需要考虑的专门问题,当前的引进系统已普遍讨论了包括意外性目标和新颖性目标的题目。但是,那些目标之间的联络尚未得到广大研究。具有高新颖性的物品不一定是出人意料的,反之亦然。从而,要求设计一个可以将新颖性和意外性结合起来用于推荐的归纳目标。

    鉴于现在大多数大规模私有化数据可以把视为多关系数据,张量是一种潇洒而合理的特色方式。张量解释是用于分析多维数据中固有潜在关系的公用方法,但传统的模子存在两个至关重要缺点:一度是它们经常无法捕获实体之间的耦合和非线性交互,并且对包含噪声和缺乏值的数额集不稳健;另一番是,在将形成机制应用于推荐申请时,很难保证推荐项目的针对性。

    受上述考虑因素的推动,笔者提出了一种基于张量解释的多层概率模型。基于CP诠释,所提出的模子能够同时聚类三向数据。为了在每个模式的潜在碧空中找到更紧密的表示,对模式因子矩阵施加多层因子分解落实非线性映射。研讨使用腾讯浏览器提供的具有大量用户、视频和应当视频描述标签数据的真正推荐任务来评估该方法。相关成果已发表在ACM Transactions on Information Systems 2019年1本报。

    详细算法及结果参见https://dl.acm.org/citation.cfm?id=3233773



    <menuitem id="616fe2b4"></menuitem>


      1. <p id="4728c73a"></p>