隨著人工智能、移動(dòng)互聯(lián)網(wǎng)等技術(shù)的迅速發(fā)展,信息化的革新給人們生活帶來極大便利的同時(shí)也經(jīng)常使用戶不知所措。近年來,推薦系統(tǒng)已被證明是解決信息過載問題的有效手段,因而得到了廣泛的研究。近年來,混合推薦算法因融合多種算法能改善單一算法的缺點(diǎn)而得到了廣泛的研究。其普遍引入用戶和物品的輔助信息來緩解該領(lǐng)域常面臨的數(shù)據(jù)稀疏和冷啟動(dòng)問題,而利用輔助信息的關(guān)鍵挑戰(zhàn)是有效的對(duì)特征之間的交互關(guān)系進(jìn)行建模。近年來大量研究利用深度神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)特征之間的非線性交互關(guān)系。但是目前的研究沒有考慮區(qū)別對(duì)待不同特征之間的交互關(guān)系,且模型結(jié)構(gòu)還存在不夠完善的問題。此外,知識(shí)圖譜也作為輔助信息的來源之一,目前的相關(guān)研究沒有關(guān)注到淺層特征之間的低階線性交互關(guān)系。針對(duì)以上不足,本文展開了深入的研究工作。本文完成的主要研究工作如下:1.深入研究了現(xiàn)有的基于FM的深度網(wǎng)絡(luò)推薦算法和基于知識(shí)圖譜的推薦算法,針對(duì)現(xiàn)有研究中存在的優(yōu)缺點(diǎn)進(jìn)行了相應(yīng)的分析和總結(jié)。2.基于深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特征之間交互關(guān)系的思想,提出了一種新的特征交互網(wǎng)絡(luò)模型——DPN。目前大多數(shù)深度神經(jīng)網(wǎng)絡(luò)沒有考慮區(qū)別對(duì)待不同特征之間的交互關(guān)系。為了突出重要特征的交互關(guān)系... 

【文章來源】： 方小妹 電子科技大學(xué)

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

用戶和廣告的交互信息以及屬性特征

電子科技大學(xué)碩士學(xué)位論文162.3多層感知機(jī)(MLP)多層感知機(jī)(MultilayerPerceptron，MLP)[81]擁有廣泛的應(yīng)用場(chǎng)景[28][31]。MLP已被證明可擬合復(fù)雜的函數(shù)，或解決分類問題，是一種通用的函數(shù)近似方法[82]。MLP是一種簡(jiǎn)單的深度神經(jīng)網(wǎng)絡(luò)，包含輸入輸出層以及中間的多個(gè)隱藏層。如圖2-4所示，是一個(gè)最簡(jiǎn)單的3層結(jié)構(gòu)MLP。123InputlayerhiddenlayeroutputlayerXW(+)Y神經(jīng)元模型圖2-4MLP結(jié)構(gòu)圖[81]從圖2-4可以看到，MLP中層與層之間是全連接的，最底層是輸入層，中間是隱藏層，最后是輸出層。假設(shè)輸入層用向量X表示，則隱藏層的輸出如公式(2-9)所示。1=(1+1)(29)其中1是第一層神經(jīng)元之間的權(quán)重向量，1是第一層神經(jīng)元的偏置向量。函數(shù)可以是常用的Sigmoid函數(shù)、Tanh函數(shù)或者Relu函數(shù)，如圖2-5所示。（a）（b）圖2-5激活函數(shù)。(a)Sigmoid函數(shù)和Tanh函數(shù)；(b)Relu函數(shù)

電子科技大學(xué)碩士學(xué)位論文403.6.1隱因子維度分析如圖3-6所示，研究了隱因子不同維度的設(shè)置對(duì)DPFM模型的影響。圖3-6隱因子對(duì)模型的影響從圖3-6可以看到隨著隱因子的維度適當(dāng)增大模型的推薦效果有相應(yīng)的提升，這是因?yàn)镕rappe數(shù)據(jù)集和MovieLens-Latest數(shù)據(jù)集中用戶和物品的特征數(shù)量較少，適當(dāng)增加隱因子的維度可以挖掘數(shù)據(jù)中更多的特征交互信息，然而當(dāng)隱因子維度增加到512后，模型的推薦效果逐漸下降，這是因?yàn)榫S度越大，參數(shù)過多，容易造成模型的過擬合。當(dāng)隱因子維度為128時(shí)，模型參數(shù)訓(xùn)練較少且推薦效果較好，在保持推薦效果的同時(shí)提升模型的收斂速度。3.6.2網(wǎng)絡(luò)層數(shù)分析如圖3-7所示，研究了網(wǎng)絡(luò)層數(shù)的設(shè)置對(duì)DPFM模型的影響。圖3-7網(wǎng)絡(luò)層數(shù)對(duì)模型的影響


本文編號(hào)：2956277