伴隨著大數據時代的到來,推薦系統(tǒng)在互聯(lián)網的很多領域都得到了應用,并且在逐漸改變著人們的生活。推薦系統(tǒng)本質上是通過一定方式將用戶和項目聯(lián)系起來,而這個方式可以有很多種,不同的方式構成了不同的推薦系統(tǒng)。不同平臺對用戶行為的影響構成的跨平臺方式可以發(fā)展成為跨域推薦;朋友推薦的方式可以發(fā)展成為社交推薦。深度學習的方法常被用來學習圖像、文本等有效的低維表示,這種表示可以用來補充或替換傳統(tǒng)的推薦算法,比如協(xié)同過濾。本文以深度學習方法為核心,分別就跨域推薦和社交推薦問題提出不同的解決方法。本文主要創(chuàng)新點如下:（1）本文提出了一種跨領域推薦中基于語義特征對抗學習的表示學習算法,該算法結合了基于內容和基于遷移學習的方法,并且無需輔助域和目標域之間的用戶重疊或者項目重疊。本文提出的算法解決了當前跨域推薦面臨的三種挑戰(zhàn):通常的跨域推薦系統(tǒng)（CDRSs）很難找到異構信息域之間的連接關系,所以大多數關注的是同質信息域,或者假定用戶是重疊的;通常的CDRSs是基于歷史反饋來開發(fā)或基于在目標域中推薦不同項目來探索不確定的用戶興趣,但是他們很難在這兩者之間取得平衡;通常的CDRSs因為沒有針對用戶或項目的歷史反饋或者... 

【文章來源】：湘潭大學湖南省

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

推薦系統(tǒng)的常見應用場景

2這個方式可以有很多種，比如通過朋友推薦（社交網絡），或者user的點擊購買行為等，構成了各種方式的推薦系統(tǒng)。推薦系統(tǒng)的目標可分為兩大類，一類是評分預測，另一類是Top-N推薦。(1)評分預測目標：推薦系統(tǒng)可以看作是用戶對物品的打分預測問題，比如用戶給自己購買過的物品打多少分，是用戶對該項目偏愛的程度，如圖1.2所示。評分預測應用最廣泛的方法是矩陣分解，其直接或者間接的利用user-item之間的顯性信息，如用戶評分矩陣，矩陣中第行列的元素!"為用戶對物品的喜愛程度，通常元素的取值范圍為1-5分（打5分表示最喜歡，打1分表示非常不喜歡）。由于矩陣分解采用的是最小化平方損失，根據損失函數與評價指標一致原則，評分預測的指標一般采用以下兩種：一種是均方根誤差（RMSE），另一種是平方絕對誤差（MAE）。(2)（2）Top-N推薦目標：推薦系統(tǒng)可以看作是給用戶推薦top-N個可能最感興趣的項目，即通過用戶的隱式反饋信息來獲取用戶喜好，如圖1.2(b)所示。在該目標下的推薦，其實也可以通過預測評分得到top-N個項目。比如通過評分預測模型得到所有項目的評分，然后根據評分的排序將top-N個高分項目推薦給用戶。但top-N目標下的推薦，更應該關注的是排序方法的構建，其預測值是一個概率值，故評價指標只能是MAP和NDCG等。圖1.2推薦系統(tǒng)的兩種目標，評分預測（a）和Top-N推薦（b）針對推薦系統(tǒng)種類的不同，可將其分為單領域推薦和跨領域推薦兩大類。(1)單領域推薦：在單一領域內為用戶提供該領域內的推薦，比如用戶在某電商平臺上點擊或購買一些物品，根據用戶的歷史購買記錄給用戶推薦感興趣的物品。(2)跨領域推薦：從輔助領域中提取出豐富的用戶畫像特征或項目特征，然后遷移到目標域中，為目標域用戶提供更加個性化的推薦，比如?

4此基礎上，基于內容的方法被提出，該方法可以很好的緩解上述問題。基于內容的角度。如圖1.3(a)所示，其原理是用戶偏愛與本身歷史行為項目內容一致的項目，假設你喜歡電影速度與激情I，而速度與激情II-VIII和你的行為歷史電影在內容上保持一致，比如同樣的導演或主演，同樣的主題等等。根據這些內容的相似性，給用戶推薦電影，這也有效的緩解了冷啟動。但基于內容的模型很依賴有效的特征提取，所以許多基于內容的方法都致力于設計有效的特征嵌入向量[4][5][6]。然而淺層模型主要利用手工特征，其無法學習用戶和項目的深層結構，所以淺層模型越來越不適用如今更豐富的數據。最近，先進的深度學習技術推動了對文本的機器理解[7]。深度學習自動利用低階特征的交叉去挖掘更高階的特征表示，其好處在于省去了很多的勞動力去進行手工特征的處理。例如，一個基于評論的深度模型[8]由兩個深度神經網絡模型組成，他們通過一個共享的公共層耦合在一起，通過基于評論的深度模型對用戶和項目進行建模。自然語言處理（NLP）近年來取得了突破性的進展，尤其大火的attention注意力機制更是提高了基于內容的推薦方法的效果。Seo等人[9]提出了具有注意力機制的增強卷積神經網絡。此外，Chen等人[10]提出了一種具有評論級別解釋性的神經注意力回歸模型，以幫助用戶做出更好、更快的決策。(a)基于內容的推薦(b)基于社交網絡的推薦圖1.3推薦系統(tǒng)類型這些方法的一個主要弊端在于，其僅分析評論文本中的語義特征，而忽略了用戶之間或者項目之間的影響�；诖耍趫D角度的推薦系統(tǒng)被提出。基于圖的角度。如圖1.3(b)所示，把用戶作為頂點，兩個頂點之間的邊代表兩個用戶之間為朋友關系或類似的偏好關系。因此偏好信息可以在這張圖上進行傳播，即每個用戶的潛?

【參考文獻】：
期刊論文
[1]基于標簽卷積神經網絡的文本推薦算法[J]. 馬驍烊,張謐.  計算機系統(tǒng)應用. 2018(08)
[2]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)
[3]基于社交圈的在線社交網絡朋友推薦算法[J]. 王玙,高琳.  計算機學報. 2014(04)
[4]基于用戶相似度的協(xié)同過濾推薦算法[J]. 榮輝桂,火生旭,胡春華,莫進俠.  通信學報. 2014(02)
[5]基于鄰域模型的K-means初始聚類中心選擇算法[J]. 曹付元,梁吉業(yè),姜廣.  計算機科學. 2008(11)



本文編號：2992924