傳統(tǒng)的協(xié)同過濾推薦算法通過分析用戶的行為數(shù)據(jù),挖掘用戶的行為模式,對用戶的興趣進行建模,根據(jù)用戶的興趣偏好為目標用戶推薦可能喜歡的物品,引導用戶從大量選項中發(fā)現(xiàn)他們可能感興趣的產(chǎn)品或服務。然而在計算項目之間相似度時只考慮歷史項目的評分,而忽略了歷史項目偏好對其的影響,以致于推薦精度不夠理想,缺少個性化服務,推薦的可解釋性較差。針對上述問題,提出了一種結合注意力機制和深度學習的電影推薦算法�？紤]到傳統(tǒng)的協(xié)同過濾缺少個性化的推薦,引入注意力機制分配個性化權重,使用多層感知器學習注意力,增加系統(tǒng)的靈活性和非線性。針對只有二進制0或1的隱性反饋問題,對用戶歷史偏好設計了項目級和特征級的注意力機制框架。首先,在特征級注意力框架上,從項目內(nèi)容特征提取網(wǎng)絡開始,學習項目特征的偏好;其次,將項目特征偏好與項目特征加權得到項目內(nèi)容特征向量;最后,在項目級特征注意力框架中,通過項目內(nèi)容特征向量學習對項目偏好的評分,從而產(chǎn)生最終的推薦結果。在MovieLens 100K和MovieLens 1M兩個公開數(shù)據(jù)集的實驗結果表明,本文算法提高了相似性計算的精度,同時在推薦準確率上較傳統(tǒng)算法均有不同程度的提高,而且... 

【文章來源】：遼寧工程技術大學遼寧省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

搜索引擎和推薦系統(tǒng)獲取信息的方式

遼寧工程技術大學碩士學位論文4圖1.2傳統(tǒng)推薦技術分類Figure1.2Classificationoftraditionalrecommendationtechnology協(xié)同過濾在計算機交互、機器學習和信息檢索方面被廣泛使用。在YouTube中，推薦信息占主頁的視頻點擊次數(shù)約為60％[12]。Netflix的首席產(chǎn)品官NeilHunt指出，推薦系統(tǒng)為大約80％的電影做出了準確推薦，每年的商業(yè)價值超過10億美元[13]。以Snapchat為例，它是國外最受歡迎的基于視頻的社交應用之一。在閱讀這段文字的時候，5萬個視頻片段被分享，2400萬個視頻被觀看。由此可見，主導的Web多媒體內(nèi)容需要現(xiàn)代的推薦系統(tǒng)，特別是基于協(xié)同過濾（CF）的系統(tǒng)，在高度動態(tài)的環(huán)境中可以為用戶提供大量的多媒體內(nèi)容。在計算機科學之外，推薦系統(tǒng)在為電商增加銷售額和改善用戶體驗方面做出了巨大努力，并且被應用到了諸多領域。RecSys（ACMConferenceonRecommenderSystem）會議上最常使用的場景為：電子商務、視頻電影、在線音樂、互聯(lián)網(wǎng)廣告等，為業(yè)界研究和推薦系統(tǒng)的應用提供了重要實驗場景。傳統(tǒng)的推薦算法往往只重視推薦的準確性，而近幾年，越來越多的推薦算法開始關注推薦結果的可解釋性，希望能與用戶產(chǎn)生溝通交流，以用戶更容易接受的方式展示推薦的結果。像酷狗音樂，就會在每一個推薦曲目下用一句話解釋用戶為什么會得到這樣的推薦結果，如圖1.3所示。

遼寧工程技術大學碩士學位論文82相關理論2.1推薦系統(tǒng)外圍架構簡介推薦系統(tǒng)與用戶行為日志存儲系統(tǒng)、UI（UserInterface）系統(tǒng)、日志系統(tǒng)相互聯(lián)系共同為用戶提供服務。UI系統(tǒng)為用戶提供頁面展示并與用戶交換信息，用戶通過UI系統(tǒng)與日志系統(tǒng)聯(lián)系，將用戶與UI系統(tǒng)的全部交互信息記錄到用戶行為日志存儲系統(tǒng)中，而推薦系統(tǒng)通過分析用戶行為產(chǎn)成推薦列表，并將其反饋給UI系統(tǒng)供用戶交互選擇，如圖2.1所示。圖2.1推薦系統(tǒng)的外圍架構Figure2.1Peripheralarchitectureoftherecommendersystem從上圖可以看到，除了推薦系統(tǒng)本身，UI展示系統(tǒng)和用戶行為數(shù)據(jù)也十分重要。UI系統(tǒng)可以為用戶展示推薦物品的物品標題、縮略圖、簡介等并給出推薦理由。推薦系統(tǒng)根據(jù)用戶的行為數(shù)據(jù)產(chǎn)生推薦，在交互式系統(tǒng)中用戶的行為數(shù)據(jù)較多。因此在不同場景下，數(shù)據(jù)量也有所不同，如活躍用戶的數(shù)據(jù)量明顯多于冷啟動用戶，活躍用戶產(chǎn)生的行為較為豐富，如購買歷史、收藏夾、足跡、評論等，而冷啟動用戶不存在歷史記錄。圖2.2用戶和物品之間的關系Figure2.2Relationshipbetweenusersanditems

【參考文獻】：
期刊論文
[1]融合注意力機制的深度協(xié)同過濾推薦算法[J]. 王永貴,尚庚.  計算機工程與應用. 2019(13)
[2]基于深度學習的多交互混合推薦模型[J]. 李同歡,唐雁,劉冰.  計算機工程與應用. 2019(01)
[3]融合元數(shù)據(jù)及attention機制的深度聯(lián)合學習推薦[J]. 張全貴,李志強,張新新,曹志強.  計算機應用研究. 2019(11)
[4]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[5]基于視頻內(nèi)容檢測的協(xié)同過濾視頻推薦系統(tǒng)[J]. 梁建勝,黃隆勝,徐淑瓊.  控制工程. 2018(02)
[6]協(xié)同過濾推薦算法研究進展[J]. 翁小蘭,王志堅.  計算機工程與應用. 2018(01)
[7]基于聚類層次模型的視頻推薦算法[J]. 金亮,于炯,楊興耀,魯亮,王躍飛,國冰磊,廖彬.  計算機應用. 2017(10)
[8]基于集成局部性特征學習的推薦算法[J]. 莊福振,羅丹,何清.  計算機科學與探索. 2018(06)
[9]融合社交網(wǎng)絡特征的協(xié)同過濾推薦算法[J]. 郭寧寧,王寶亮,侯永宏,常鵬.  計算機科學與探索. 2018(02)
[10]面向隱式反饋的推薦系統(tǒng)研究現(xiàn)狀與趨勢[J]. 陸藝,曹健.  計算機科學. 2016(04)

博士論文
[1]基于協(xié)同過濾的推薦算法研究[D]. 劉青文.中國科學技術大學 2013

碩士論文
[1]基于改進聚類和矩陣分解的協(xié)同過濾推薦算法研究[D]. 宋真真.遼寧工程技術大學 2018
[2]基于置信度加權的單類協(xié)同過濾推薦算法研究[D]. 王佳偉.遼寧工程技術大學 2018
[3]基于圖論的組推薦算法優(yōu)化與研究[D]. 張楨.北京理工大學 2016
[4]電子商務協(xié)同過濾推薦算法的優(yōu)化研究[D]. 王海燕.河北工程大學 2016
[5]融合信任關系的二重聚類推薦算法研究[D]. 唐同龍.鄭州大學 2016



本文編號：3512242