隨著互聯(lián)網(wǎng)行業(yè)的飛速發(fā)展,互聯(lián)網(wǎng)上的信息量呈指數(shù)型增長。在紛繁復(fù)雜的互聯(lián)網(wǎng)信息中,如何篩選出用戶想要的信息成為推薦系統(tǒng)的主要任務(wù)。推薦系統(tǒng)通過有效分析用戶的歷史行為數(shù)據(jù),達(dá)到預(yù)測用戶下一步行為的目的,成為目前解決信息過載的主要手段之一。然而,傳統(tǒng)的基于協(xié)同過濾的推薦算法對用戶-物品評分?jǐn)?shù)據(jù)進(jìn)行建模分析時,一般采用線性模型,導(dǎo)致推薦算法的精度提升有限。深度學(xué)習(xí)技術(shù)憑著強(qiáng)大的表征能力在圖像識別、自然語言處理方面取得了巨大的成功,基于深度學(xué)習(xí)的推薦算法近年被廣泛研究。本文針對傳統(tǒng)協(xié)同過濾算法的數(shù)據(jù)表征能力弱等問題,通過結(jié)合深度學(xué)習(xí)的相關(guān)理論和方法,對基于深度隱特征分析的推薦算法進(jìn)行了研究,從而達(dá)到提升推薦算法精準(zhǔn)率的目的。具體工作如下:（1）對深度學(xué)習(xí)和推薦算法的研究現(xiàn)狀進(jìn)行了廣泛的調(diào)研,發(fā)現(xiàn)基于深度學(xué)習(xí)的推薦算法在處理多源數(shù)據(jù)、數(shù)據(jù)表征方面具有優(yōu)勢。在實際的推薦系統(tǒng)中,用戶和物品的信息數(shù)據(jù)是多種多樣的,例如物品的圖片信息。基于深度學(xué)習(xí)的推薦算法針對這些數(shù)據(jù)可以使用多種網(wǎng)絡(luò)模型進(jìn)行處理,相較于傳統(tǒng)的協(xié)同過濾算法而言,能夠提取出更具代表性的特征。除此之外,基于深度學(xué)習(xí)的推薦算法能夠?qū)τ脩艉臀锲?.. 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院重慶綠色智能技術(shù)研究院)重慶市

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１使用矩陣分解進(jìn)行評分預(yù)測??

?基于深度隱特征分析的推薦算法研宄???０?１?０?０?．．．?０?０?０?１?０?．．．?０??Ｉ?＊?＊?Ｉ??ｒ￣??，??，??１?，?ｎ??—?ｉ??ｉ?＾?ｉ??Ｐｒｅｄｉｃｔｅｄ??ｒａｔｉｎｇ??圖２．２?ＭＬＰ模型??多層感知機(jī)模型擁有眾多衍生模型，目前在圖像處理上最為流行的卷積神??經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，ＣＮＮ），在自然語言處理上最為常用的??循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，ＲＮＮ）等等。??自編碼器被證明能夠在推薦系統(tǒng)中學(xué)習(xí)到有效的特征表示，使得推薦精度??明顯提高［５７］，是推薦系統(tǒng)中最為常用的網(wǎng)絡(luò)模型之－。自編碼器??（Ａｕｔｏｅｎｃｏｄｅｒｓ，ＡＥ）是深度學(xué)習(xí)中一種對輸入數(shù)據(jù)的大量特征進(jìn)行壓縮的方??法，屬于無監(jiān)督學(xué)習(xí)方法［６８］。自編碼器首先也是一種神經(jīng)網(wǎng)絡(luò)模型，有輸入??層、隱含層、輸出層，其中輸入層和輸出層是相同的，中間層作為輸入數(shù)據(jù)的??低維特征表示，如圖２．３所示。將自編碼器作為一種模型應(yīng)用于推薦算法中，??是目前相關(guān)論文中常見的方法。自編碼器的結(jié)構(gòu)可以描述如下：??輸入層＾中間隱含層：可視為編碼的過程，通過對輸入數(shù)據(jù)進(jìn)行壓縮，??類似于ＰＣＡ，提取主要的隱特征，同時需要非線性的激活函數(shù)，進(jìn)行特征的非??線性表達(dá)；??中間隱含層＝＞?輸出層，可視為解碼的過程，主要是將隱特征還原為輸入??數(shù)據(jù)，也需要非線性激活函數(shù)對數(shù)據(jù)進(jìn)行特征變換，是還原度盡可能高，整個??過程也可稱之為某種意義上的重構(gòu)（ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）。??１６??

?第２章相關(guān)理論和技術(shù)???編碼?解碼??＿??輸入）２?隱含Ｗ?輸出．丨３??圖２．３自編碼器模型??自編碼器擁有多種衍生模型，擁有不同的特點(diǎn)，適用于不同的特征提取場??景，主要分別有以下幾類：正則自編碼器（Ｒｅｇｕｌａｒｉｚｅｄ?Ａｕｔｏｅｎｃｏｄｅｒｓ）、稀疏自??編碼器（ＳｐａｒｓｉｔｙＡｕｔｏｅｎｃｏｄｅｒｓ），去噪閂編碼器（ＤｅｎｏｉｓｉｎｇＡｕｔｏｅｎｃｏｄｅｒｓ，ＤＡＥ）??（２００８），桟式去噪自編碼器（Ｓｔａｃｋｅｄ?ＤｅｎｏｉｓｉｎｇＡｕｔｏｅｎｃｏｄｅｒｓ，ＳＤＡＥ）?（２０１０）、??收縮自編碼器（Ｃｏｎｔｒａｃｔｉｖｅ?Ａｕｔｏｅｎｃｏｄｅｒｓ，ＣＡＥ?）（?２０１１?），變分自編碼器??（Ｖａｒｉａｔｉｏｎａｌ?Ａｕｔｏｅｎｃｏｄｅｒｓ，ＶＡＥ?）?（２０１３），以及衍生的邊緣去噪自編碼器??（Ｍａｒｇｉｎａｌｉｚｅ?Ｄｅｎｏｉｓｅ?Ａｕｔｏｅｎｃｏｄｅｒｓ）?［４４］。其中，用于推薦系統(tǒng)的模型有??ＳＤＡＥ［１７，３６］、ＶＡＥ［２６］、ＤＡＥ［３１］、ＣＡＥ［３３］和?ＭＤＡＥ［４９］。??２．４深度隱特征的優(yōu)化方法??深度隱特征，指的是Ｍ過深度神經(jīng)網(wǎng)絡(luò)分別提取出的用戶隱特征和物品隱??特征，用于提升推薦模型的預(yù)測精度。然而，在深層祌經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練過程??中，存在著“梯度消失＇？的問題［６６］，導(dǎo)致網(wǎng)絡(luò)難以學(xué)習(xí)到數(shù)據(jù)中的隱特征．．除此??之外，本就計算復(fù)雜的神經(jīng)網(wǎng)絡(luò)，隨著神經(jīng)網(wǎng)絡(luò)的加深，其參數(shù)量陡增，計算??量也變得更大。然而深層祌經(jīng)網(wǎng)絡(luò)被提出的當(dāng)吋，計算機(jī)硬件資源丨斑乏、〖丨？算??成本較高，導(dǎo)致當(dāng)時的深層神經(jīng)網(wǎng)絡(luò)很難被學(xué)術(shù)界和工業(yè)界所接受。??如今，隨著計算機(jī)硬件的

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[2]個性化推薦系統(tǒng)的研究進(jìn)展[J]. 劉建國,周濤,汪秉宏.  自然科學(xué)進(jìn)展. 2009(01)



本文編號：3500555