适用于连续数值标签的兴趣漂移增量学习方法

摘要：

针对现有兴趣漂移增量学习方法大多针对包含二值数据标签的用户反馈进行学习的不足,提出了一种适用于连续数值标签反馈的兴趣漂移增量学习方法,以或然概念集的形式描述用户兴趣,将用户反馈中包含的数据标签视为用户对该实例的喜好概率,并采用基于指数近度加权平均的方法对兴趣模型进行增量学习.在不同学习任务下的实验结果表明,该方法能够在反馈数据标签为连续数值的条件下达到比现有方法更好的学习效果.

关键词：学习算法、强化学习、模糊集

所属期刊栏目：35

分类号：TP391(计算技术、计算机技术)

资助基金：”十一五”科技支撑计划重大项目2006BAB04A13

在线出版日期：2017-01-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1057-1061