個性化推薦作為一種有效的信息過濾技術(shù),能夠有效緩解信息過載問題,有著極強的實用價值和商業(yè)價值。由于所面對業(yè)務(wù)環(huán)境的復(fù)雜性,個性化推薦一直存在著數(shù)據(jù)稀疏、冷啟動以及用戶興趣遷移等問題需要解決和優(yōu)化。本文針對推薦中存在的數(shù)據(jù)稀疏及用戶興趣遷移問題,對現(xiàn)有的矩陣分解推薦算法進行了改進,并在其基礎(chǔ)上結(jié)合了深度學(xué)習(xí)相關(guān)模型,提出一種基于深度學(xué)習(xí)和矩陣分解的推薦算法,主要做了如下工作:首先,根據(jù)不同用戶和不同項目之間的不對稱關(guān)系,提出改進相關(guān)度計算式,用于預(yù)測評分,提出一種基于非對稱相似度的矩陣分解推薦算法,緩解用戶信息不對稱造成的數(shù)據(jù)稀疏問題。并在MovieLens、Amazon和Ciao數(shù)據(jù)集上進行了實驗設(shè)計,實驗結(jié)果顯示和同類型推薦算法相比改進算法能夠明顯提高推薦精度。其次,考慮到神經(jīng)網(wǎng)絡(luò)能夠從數(shù)據(jù)中學(xué)習(xí)更為靈活的映射關(guān)系,在改進矩陣分解推薦算法的基礎(chǔ)上增加了多層感知器來獲取用戶-數(shù)據(jù)交互信息的非線性部分,提出一種加權(quán)神經(jīng)網(wǎng)絡(luò)矩陣分解推薦算法,并在MovieLens和Pinterest兩數(shù)據(jù)集上進行了實驗設(shè)計,實驗結(jié)果顯示和其他主流推薦算法模型相比,推薦精度也有一定程度的提升。此外,針對用戶... 

【文章來源】：武漢紡織大學(xué)湖北省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文的研究路線

武漢紡織大學(xué)碩士學(xué)位論文12信任度，后者指的是用戶信任用戶集合中的不同用戶產(chǎn)生的不同信任度。社會化推薦系統(tǒng)的結(jié)構(gòu)如圖2.1所示。圖2.1社會化推薦模型結(jié)構(gòu)Fig.2.1Structureofsocialrecommendationmodel在采集數(shù)據(jù)的時候一般包括：用戶和項目的屬性信息，例如用戶的年齡、地理位置以及項目的類型等；用戶對項目的交互信息，例如用戶對項目的評價、點擊以及收藏等；和用戶社會關(guān)系屬性信息，例如用戶的好友、關(guān)注等。采集到數(shù)據(jù)還需要進行處理，主要操作有：建立用戶-項目的交互矩陣，對用戶數(shù)據(jù)和項目數(shù)據(jù)的篩選，以及計算不同用戶之間的信任關(guān)系等。社會化推薦模型主要是將社會化信息融合到推薦模型中，常用的社會化推薦算法有社會化矩陣分解推薦算法[33]、概率矩陣分解算法(PMF)[34]、基于信任加權(quán)的推薦算法(TrustSVD)錯誤!未找到引用源。等。社會化矩陣分解推薦模型是在矩陣分解的基礎(chǔ)上考慮了社會信息，用社會正則化來約束矩陣分解的損失函數(shù)，其損失函數(shù)可以定義為公式(2.12)。222,,12,111min[()]2mnTijijijFFUVijGIRUVSUV(2.12)其中，221F2FUV表示用戶特征和項目特征的正則項，1和2分別是正則項參數(shù)，2()1|()|mffFiiiFUSUFi表示社會正則項用戶保存用戶與其信任用戶之間的興趣差異，是社會正則項參數(shù)。由公式(2.12)可以看出，在社會化矩陣分解推薦模型中，需要定義用戶相似度。用戶相似度用來描述用戶關(guān)聯(lián)程度，常見的相似度度量方法有余弦相似度和皮爾遜相似度。余弦相似度描述的是向量之間的距離，直接計算了不同用戶的交互向量之間的距離值，其計算公式如公式(2.13)所示：

武漢紡織大學(xué)碩士學(xué)位論文14圖2.2NCF框架Fig.2.2NCFframeworkNCF框架采用了一種多層感知器來建立用戶-項目的交互，底層輸入層由用戶u的特征向量和項目i的特征向量組成。在描述用戶和項目之間的交互關(guān)系的過程中，可以采用多種方式來對用戶和項目交互建模，常見的有：基于鄰居的模型，基于項目內(nèi)容的主題模型，因子分解機FM等。在處理輸入的時候可以將用戶和項目的標識作為輸入，對其進行one-hot編碼，將標志轉(zhuǎn)化為二進制向量，除標志位為1以外，其他位都為0，這種做法可以較好的修正冷啟動帶來的問題。在輸入層之后是嵌入層，這部分網(wǎng)絡(luò)將one-hot編碼映射到稠密向量上，從而得到的用戶嵌入的潛在向量空間和項目嵌入的潛在向量空間。在將其輸入至神經(jīng)網(wǎng)絡(luò)層之前，需要先將用戶潛在向量和用戶潛在向量連接起來，將拼接后的結(jié)果作為神經(jīng)網(wǎng)絡(luò)層的輸入，然后通過多層神經(jīng)網(wǎng)絡(luò)模型來訓(xùn)練數(shù)據(jù)并得到最終的預(yù)測評分。在神經(jīng)網(wǎng)絡(luò)層中，每一層都可以被重新定義來發(fā)現(xiàn)用戶-項目交互的某些潛在結(jié)構(gòu)，一般來說，網(wǎng)絡(luò)層數(shù)越多，模型的預(yù)測效果也會越好。最終的輸出層是預(yù)測評分，然后通過損失函數(shù)來最小化和之間差值來訓(xùn)練模型。根據(jù)NCF的框架圖，可以用公式(2.15)來表示NCF框架的預(yù)測模型：(Pv,Qv|P,Q,)TUTIuiuifyf(2.15)其中，P和Q分別表示用戶和項目的潛在因子矩陣，Θf表示交互函數(shù)f的模型參數(shù)。交互模型f指的是NCF模型中的神經(jīng)網(wǎng)絡(luò)部分，對于一個X層的多層感知器網(wǎng)絡(luò)，可以用公式(2.16)表示：21(Pv,Qv)((((Pv,Qv))))TUTITUTIuioutXuif(2.16)

【參考文獻】：
期刊論文
[1]改進非對稱相似度和關(guān)聯(lián)正則化的推薦算法[J]. 劉春玲,張黎.  計算機工程與應(yīng)用. 2020(16)
[2]社會化推薦研究綜述[J]. 王剛,蔣軍,王含茹.  計算機科學(xué). 2018(S2)
[3]基于用戶非對稱相似性的協(xié)同過濾推薦算法[J]. 黃賢英,龍姝言,謝晉.  四川大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[4]支持推薦非空率的關(guān)聯(lián)規(guī)則推薦算法[J]. 何明,劉偉世,張江.  通信學(xué)報. 2017(10)
[5]聯(lián)合正則化的矩陣分解推薦算法[J]. 吳賓,婁錚錚,葉陽東.  軟件學(xué)報. 2018(09)
[6]針對時間序列多步預(yù)測的聚類隱馬爾科夫模型[J]. 章登義,歐陽黜霏,吳文李.  電子學(xué)報. 2014(12)
[7]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[8]一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J]. 郭磊,馬軍,陳竹敏,姜浩然.  計算機學(xué)報. 2014(01)
[9]移動通信網(wǎng)中基于用戶社會化關(guān)系挖掘的協(xié)同過濾算法[J]. 黃武漢,孟祥武,王立才.  電子與信息學(xué)報. 2011(12)
[10]面向個性化推薦的強關(guān)聯(lián)規(guī)則挖掘[J]. 李杰,徐勇,王云峰,朱昭賢.  系統(tǒng)工程理論與實踐. 2009(08)

碩士論文
[1]基于用戶偏好多樣性的推薦算法研究及應(yīng)用[D]. 陳云峰.中國科學(xué)技術(shù)大學(xué) 2018
[2]基于時序模型的社會化推薦算法研究[D]. 牛冰慧.重慶大學(xué) 2017



本文編號：3226866