面向推荐系统与工程系统的大规模序列学习
机器学习
2022-05-17 v1 机器学习
摘要
在本论文中，我们聚焦于设计一种通过适应当前条件来提供个性化排序的自动算法。为证明所提方法的经验效率，我们研究了它们在推荐系统与能源系统领域决策中的应用。对于前者，我们提出一种称为SAROS的新颖算法，该算法考虑两类反馈以在交互序列上进行学习。所提方法在于对每个用户由一系列未点击项后接点击项构成的块最小化成对排序损失。我们还探讨了长记忆对预测准确性的影响。基于质量指标，SAROS显示出极具竞争力且有前景的结果，并且在损失收敛方面也比随机梯度下降与批处理经典方法更快。关于电力系统，我们提出一种基于聚焦真实事件位置附近线路的误分类的故障线路检测算法。与基于卷积神经网络进行电网故障检测的初始方法相比，这种考虑邻近线路的思路显示出统计显著的结果。
引用
@article{arxiv.2205.06893,
title = {Large-Scale Sequential Learning for Recommender and Engineering Systems},
author = {Aleksandra Burashnikova},
journal= {arXiv preprint arXiv:2205.06893},
year = {2022}
}
备注
PhD thesis