在今天這個互聯(lián)網(wǎng)時代,信息的增長速度是十分驚人的,推薦系統(tǒng)在我們的生活中占有越來越重要的位置,近年來得到了廣泛的研究。作為矩陣分解的一種升級版本,因子分解機得到了廣泛的研究,但是它仍然屬于線性模型,不能夠?qū)W習(xí)出用戶和物品間復(fù)雜的非線性關(guān)系�；谝蜃臃纸鈾C的深層變體,NFM和DeepFM等模型將深度神經(jīng)網(wǎng)絡(luò)引入到因子分解機中,有效地解決了上面的問題。盡管如此,它們?nèi)匀淮嬖谥鴰讉�關(guān)鍵問題:1)對輸入的各種特征沒有做區(qū)分;2)無法有效利用用戶的歷史記錄;3)無法自適應(yīng)地權(quán)衡輔助信息的重要性。針對以上這些問題,本文開展了深入的研究,提出了一種記憶感知協(xié)同過濾算法,并在此基礎(chǔ)上進(jìn)一步提出了記憶感知門控因子分解機算法,并在多個真實數(shù)據(jù)集上的實驗結(jié)果表明本文提出的算法的有效性。本文的主要研究工作如下:1.本文針對考慮用戶歷史交互記錄和引入額外輔助信息的混合推薦算法開展了深入研究,分析了現(xiàn)有研究的優(yōu)點以及存在的不足。基于矩陣分解和記憶網(wǎng)絡(luò)的思想,本文提出了記憶感知協(xié)同過濾算法（MACF）,利用深度神經(jīng)網(wǎng)絡(luò)從用戶的近期歷史交互記錄中學(xué)習(xí)出用戶的近期偏好,然后與用戶的長期偏好相結(jié)合,能夠更加準(zhǔn)確地預(yù)測出用... 

【文章來源】：電子科技大學(xué)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)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

長尾效應(yīng)現(xiàn)象[52],這意味著受歡迎的產(chǎn)品很少,不太受歡迎的產(chǎn)品很多,最終構(gòu)成了長尾巴。但是,即使是不受歡迎的產(chǎn)品也可能是很好的產(chǎn)品,他們?nèi)狈Ρ挥脩舭l(fā)現(xiàn)的機會。

基本上,該方法是找到與目標(biāo)用戶最相似的用戶,并權(quán)衡他們對某個項目的評價,以此作為目標(biāo)用戶對該項目的評價。在不了解商品和用戶本身信息的情況下,認(rèn)為當(dāng)兩個用戶對同一商品給予相似的評分時,這兩個用戶是相似的,因為他們有著相似的品味。類似地,基于項目的協(xié)同過濾(Item-based CF)推薦根據(jù)項目之間的相似性找到與目標(biāo)項目相似的項目集合,可以認(rèn)為兩個項目在收到來自同一用戶的相似評分時,這兩個項目是相似的。然后,通過計算來自該用戶的若干個類似商品的評分的加權(quán)平均值來預(yù)測該商品的目標(biāo)用戶,這種方式如2-3所示。圖2-3基于項目的協(xié)同過濾方法[2]

圖2-2基于用戶的協(xié)同過濾方法[2]基于模型的協(xié)同過濾(Model-based CF)推薦算法一般都是以矩陣分解為基礎(chǔ),對用戶和項目進(jìn)行建模,相對于基于內(nèi)存的協(xié)同過濾推薦算法而言,其不需要將所有的用戶-項目交互情況放進(jìn)內(nèi)存中去,不僅空間復(fù)雜度降低了,一經(jīng)訓(xùn)練后在預(yù)測階段運行速度更快。矩陣分解相關(guān)算法的理論敘述將在后面進(jìn)行詳細(xì)地闡述。


本文編號：3242669