推薦系統(tǒng)作為大數(shù)據(jù)環(huán)境下解決信息過載問題的關鍵性技術,其核心在于幫助用戶更便捷地找到他們感興趣的內容。內容資源越龐大時,推薦系統(tǒng)的存在意義就越大。而推薦算法便是推薦系統(tǒng)的核心,因此近年來針對推薦算法的研究具有重要的理論意義與應用價值。面對推薦系統(tǒng)中典型的用戶-項目評分預測問題,本文改進了神經(jīng)協(xié)同過濾模型,利用深度學習思想重構了隱因子模型的矩陣分解過程,結合向量化技術和神經(jīng)網(wǎng)絡來對用戶和項目的隱因子進行抽象表示。同時結合特征交叉思想,進一步為模型引入了輔助特征向量幫助其更好的建模。實驗對比中,本文改進后的模型預測RMSE穩(wěn)定在0.8038,對比當下非深度學習領域最佳的非負矩陣分解模型,預測準確度提升了7%;對比主流的深度學習模型,本模型預測準確度提升了4%,有著比較明顯的改善。在模型魯棒性的研究中,本文嘗試了噪音注入的思路,在基于隱因子學習的神經(jīng)矩陣分解模型基礎上提出了具有良好魯棒性的版本。通過在模型中引入噪音層,模擬隨機擾動,來增加模型在實際環(huán)境中面對惡意攻擊的抗性。隨后的實驗結果也證明,加入噪音層后的新模型表現(xiàn)出更好的魯棒性,面對同等條件的惡意攻擊,針對新模型攻擊的成功率下降了22.... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

算法表現(xiàn)隨數(shù)據(jù)規(guī)模的變化圖

第二章經(jīng)典推薦算法及隱因子模型9目）群體、計算相似性并推薦。依照原理的區(qū)別又分為基于領域和基于模型這兩類�；陬I域的方法中，根據(jù)所選取基準的不同，又可以進一步分類為以用戶為中心和以項目為中心的兩個分支。2.2.1基于用戶的協(xié)同過濾以用戶為中心的方法通過分析系統(tǒng)中已有歷史行為抽象建模用戶，匹配與該用戶行為或興趣高度重合的用戶或群體，然后憑借高相似度用戶或群體所喜歡項目來預測目標用戶興趣[3,12-15,51]，算法原理如圖2-1所示。圖2-1基于用戶的協(xié)同過濾算法示意圖如圖2-1所示關系，用戶A以實線箭頭指向了項目1和3，表示用戶A對項目1和3表現(xiàn)出明顯的喜好傾向。同理可以發(fā)現(xiàn)用戶B和用戶C分別偏愛項目2和項目1、3、4。通過分析用戶的行為，圖2-1所示的A和C用戶擁有很高的重合度。同時，項目4屬于C的偏好而A暫未發(fā)現(xiàn)，所以基于用戶的方法會將項目4推薦給用戶A（圖2-1中虛線箭頭）。量化計算過程中，用戶間相似性的度量如公式(2-1)所示[51]：=|()∩()||()||()|(2-1)其中，下標和分別表示系統(tǒng)中的兩個用戶，用于衡量系統(tǒng)中用戶之間的相似性，|()|表示由用戶所喜歡的項目構成的集合中元素的個數(shù)，|()|同理。|()∩()|表示由集合()和()所產(chǎn)生交集中元素的個數(shù)，即兩用戶共同喜歡的項目數(shù)。分母表示歸一化操作，作為限制項，懲罰活躍用戶的貢獻度。因為活躍用戶行為過（喜歡）的項目集合很大，在系統(tǒng)中會和很多用戶有重合的部分，影

電子科技大學碩士學位論文10響結果的準確性。=()∩(,)(2-2)對于系統(tǒng)中任意兩個用戶，可以通過公式(2-1)計算得到其特征重合度。然后便可以依靠用戶群體以及相關性計算系統(tǒng)中的未知評分。公式(2-2)中和分別用于索引不同的用戶和項目，預測結果表示為，()表示系統(tǒng)中所有對項目進行過評分的用戶群體的集合，(,)表示與目標用戶重合度最高的群體集合中的前個元素（用戶），()∩(,)表示和用戶最相似的個用戶中且對項目進行過評分的用戶的集合，為公式(2-1)中的相似度，為已觀測到的評分（用戶對項目）。2.2.2基于項目的協(xié)同過濾以項目為中心的方法擁有與以用戶為中心的協(xié)同過濾類似的原理，主要的區(qū)別在于算法所關注的基準不同，基于項目的協(xié)同過濾方法著重于度量項目與項目之間的相似性[3,12-15,51]。圖2-2基于項目的協(xié)同過濾算法示意圖如圖2-2所示關系，用戶對項目的明確偏好依然使用實線箭頭表示。分析圖中的交互關系能夠得出項目1和3有著相似的用戶行為，可以歸類為高相似度項目。然后根據(jù)用戶C喜歡項目1的事實，把類似的項目3推薦給用戶。量化計算過程也與前文同理[51]：=|()∩()||()||()|(2-3)


本文編號：2992396