由于協(xié)同過濾技術(shù)的有效性和簡單性,協(xié)同過濾技術(shù)成為現(xiàn)代推薦系統(tǒng)中的主流方法,但是協(xié)同過濾算法容易受到評分矩陣稀疏和冷啟動問題的負面影響。研究發(fā)現(xiàn)引入物品的輔助信息可以緩解協(xié)同過濾技術(shù)面臨的上述問題。對于物品的了解也將有助于對于用戶自身偏好的了解,然而大部分工作僅能使用單一類型的輔助信息,這將導(dǎo)致對于用戶自身偏好的理解不夠準確。有效地利用物品的多種輔助信息可以更好地了解用戶的自身偏好,具有重要的研究意義。在已有研究的基礎(chǔ)上,本文針對前人研究的不足做出如下工作:1)多種信息的融合。提出多信息變分自編碼器來獲取融合多種輔助信息的深層潛在表示,通過有效地變分推理,多種輔助信息融合的任務(wù)被轉(zhuǎn)化為推斷可以生成多種輔助信息的潛在隨機分布,實現(xiàn)了多種輔助信息的緊耦合;2)將融合多種信息的知識用于推薦任務(wù)。提出可以運用物品的多種輔助信息來進行推薦的協(xié)同多輔助信息變分自編碼器,通過構(gòu)建概率圖模型并使用高效的貝葉斯推理,融合多種輔助信息的潛在表示以及用戶和物品的潛在表示在潛在空間中協(xié)同地進行訓練,實現(xiàn)了多種信息融合任務(wù)與推薦任務(wù)的緊耦合。在實驗結(jié)果分析部分,將本文提出的算法與以往算法在兩個真實數(shù)據(jù)集上的性能...

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 論文的主要內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 相關(guān)知識介紹
    2.1 推薦系統(tǒng)簡介
    2.2 基于協(xié)同過濾的推薦算法
        2.2.1 協(xié)同過濾的基本思想
        2.2.2 協(xié)同過濾推薦算法
        2.2.3 概率矩陣分解
    2.3 自編碼器技術(shù)
        2.3.1 自編碼器
        2.3.2 變分自編碼器
    2.4 本章小結(jié)
第三章 基于多種輔助信息融合的推薦算法
    3.1 多種信息融合模型
        3.1.1 生成模型
        3.1.2 模型推理
        3.1.3 變分下界
    3.2 貪婪式逐層MVAE訓練
        3.2.1 網(wǎng)絡(luò)參數(shù)對稱訓練
        3.2.2 變分分布參數(shù)訓練
        3.2.3 統(tǒng)一訓練
    3.3 融合多種輔助信息的推薦算法
        3.3.1 模型推導(dǎo)
        3.3.2 最大化后驗估計
    3.4 本章小結(jié)
第四章 實驗與分析
    4.1 實驗數(shù)據(jù)集及預(yù)處理方式
    4.2 實驗方案和評價指標
    4.3 對比模型與實驗參數(shù)設(shè)置
    4.4 實驗結(jié)果與分析
        4.4.1 網(wǎng)絡(luò)結(jié)構(gòu)的確定
        4.4.2 定量對比
        4.4.3 定性對比
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作總結(jié)
    5.2 未來工作展望
參考文獻
攻讀碩士期間發(fā)表的學術(shù)論文
致謝



本文編號：3741345