推薦系統(tǒng)是各類電子商務(wù)網(wǎng)站采取的一個(gè)提高網(wǎng)站各類信息瀏覽量的措施,它向客戶提供商品信息和建議,幫助用戶找到其可能感興趣的產(chǎn)品,模擬銷售人員幫助客戶完成購(gòu)買過(guò)程。其中,個(gè)性化推薦是網(wǎng)站根據(jù)其用戶的用戶資料、興趣特點(diǎn)和購(gòu)買行為,構(gòu)建推薦模型,基于此模型向用戶推薦用戶感興趣的信息和商品。矩陣分解（Matrix Factorization,MF）是推薦系統(tǒng)領(lǐng)域中最直觀,最有效的方法之一。它將稀疏的（用戶,物品）交互映射到稠密的特征點(diǎn)積中,這使得矩陣分解模型具有很強(qiáng)的泛化能力。為了充分利用這種特性,最近的許多工作開始使用用戶和物品的輔助信息。盡管很多工作在引入輔助信息后確實(shí)獲得了模型性能上的提高,這種直接的加入輔助信息做法仍然存在不合理性。在本文的工作中,本文提出了一個(gè)名為AANMF的新型推薦系統(tǒng)算法模型,它是Attribute-aware Attentional Neural Matrix Factorization的簡(jiǎn)稱。AANMF結(jié)合了兩個(gè)主要的部分:即基于神經(jīng)網(wǎng)絡(luò)的矩陣分解結(jié)構(gòu)（用于用戶物品特征內(nèi)積的建模）,以及基于注意力機(jī)制的屬性處理單元（用于控制輔助信息,特別是用戶物品屬性）,能夠有... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用戶-物品交互矩陣的舉例

華南理工大學(xué)碩士學(xué)位論文10中最熱門的物品（僅推薦目標(biāo)用戶尚未交互過(guò)的物品）。圖2-2UB-CF的主要流程值得注意的是，在計(jì)算用戶之間的相似性時(shí)，應(yīng)仔細(xì)考慮“公共交互”的數(shù)量，即滿足相同交互的個(gè)數(shù)。在大多數(shù)情況下，要避免這種情況：與目標(biāo)用戶僅有一個(gè)共同的交互的用戶具有100％的相似度，而擁有100個(gè)共同的交互的用戶與目標(biāo)用戶的相似度僅有98%。因此，在算法實(shí)現(xiàn)的時(shí)候，特別是進(jìn)行相似度計(jì)算的時(shí)候有必要對(duì)交互個(gè)數(shù)進(jìn)行懲罰，算法應(yīng)該將擁有更多相同交互的用戶是為更為相似的用戶。圖2-2展示了UB-CF的主要流程�；疑摼�框是目標(biāo)用戶的未交互物品列表。對(duì)用戶-物品交互矩陣進(jìn)行相似度計(jì)算后，UB-CF得到了目標(biāo)用戶的K個(gè)最近鄰用戶。對(duì)這K個(gè)最近鄰用戶，算法在目標(biāo)用戶的未交互物品列表區(qū)域?qū)ふ彝扑]物品。對(duì)于熱門的物品（在圖中表現(xiàn)為這K個(gè)最近鄰用戶大多數(shù)是喜歡的），算法趨向于把它們推薦給目標(biāo)用戶�；谟脩舻膮f(xié)同過(guò)濾算法具有上下文無(wú)關(guān)性、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。但是它也具有如下缺點(diǎn)：稀疏性。某些用戶對(duì)物品的交互不夠多，交互矩陣很稀疏�？蓴U(kuò)展性。UB-CF涉及相似度和K近鄰計(jì)算，較大的K往往能得到較好的結(jié)果，

第二章推薦系統(tǒng)的發(fā)展概況11但是較大的K同時(shí)會(huì)帶來(lái)計(jì)算復(fù)雜度的問(wèn)題。冷啟動(dòng)。新用戶沒有交互過(guò)任何物品，因此對(duì)新用戶的推薦無(wú)法建立可靠的物品排序。基于物品的協(xié)同過(guò)濾IB-CF為了向用戶提出新建議，IB-CF方法的思想是找到與用戶已經(jīng)“積極”交互過(guò)的物品（比如評(píng)分高的商品）相似的物品。對(duì)于兩個(gè)物品來(lái)說(shuō)，如果大多數(shù)的用戶對(duì)它們進(jìn)行過(guò)類似的交互行為（點(diǎn)贊/差評(píng)），則這兩個(gè)物品被認(rèn)為是相似的。這種方法被稱為基于物品的協(xié)同過(guò)濾，因?yàn)樗鶕?jù)用戶與它們之間的交互來(lái)表示物品，并評(píng)估這些物品之間的距離。假設(shè)要給某個(gè)特定的用戶提出建議。首先，IB-CF會(huì)找到該用戶最喜歡的商品，并通過(guò)其與每個(gè)用戶的交互向量（交互矩陣中的“列”）來(lái)表示該商品（與其他所有商品一樣），這里稱該物品為目標(biāo)用戶的“最佳物品”。然后，IB-CF計(jì)算“最佳物品”與所有其他物品之間的相似度。一旦計(jì)算出相似度，就可以將K個(gè)鄰居物品保持在選定的“最佳物品”上，這目標(biāo)用戶來(lái)說(shuō)是新的，IB-CF會(huì)將這些物品作為結(jié)果推薦給用戶。類似的，圖2-3展示了這個(gè)過(guò)程。圖2-3IB-CF的主要流程與基于用戶的協(xié)同過(guò)濾推薦算法不同，基于物品的推薦算法是基于用戶-物品交互的相似項(xiàng)搜索。通常來(lái)說(shuō)，由于許多用戶已經(jīng)與物品進(jìn)行了交互，因此鄰域搜索對(duì)單個(gè)交


本文編號(hào)：3007461