信息技術(shù)的發(fā)展和各種智能移動(dòng)終端的普及,使得圖片數(shù)據(jù)在網(wǎng)絡(luò)上的生成和傳播變得更加快捷,在很多基于圖片分享的社交平臺(tái)上,如Flickr,Pinterest,Instagram等,每天都會(huì)有成百上千萬(wàn)張圖片的上傳和下載,這就造成圖片信息嚴(yán)重過(guò)載的問(wèn)題。圖片推薦作為圖片檢索技術(shù)的補(bǔ)充,旨在緩解這一問(wèn)題。同眾多推薦技術(shù)面臨的問(wèn)題一樣,用戶和圖片之間的歷史交互數(shù)據(jù)十分稀疏,且通常以隱式反饋行為體現(xiàn),如何緩解稀疏性帶來(lái)的影響,并有效挖掘用戶偏好,是圖片推薦技術(shù)面臨的主要挑戰(zhàn)之一。本文基于此,提出兩個(gè)問(wèn)題:1)如何隱性增加稠密度以緩解數(shù)據(jù)稀疏性帶來(lái)的影響;2)如何只通過(guò)簡(jiǎn)單的用戶對(duì)圖片的隱式反饋行為深度挖掘用戶圖片間的潛在交互。基于這兩個(gè)問(wèn)題,本文提出一種基于圖片重要性和注意力機(jī)制的圖片推薦算法。首先,提出一個(gè)基于用戶圖片交互注意力機(jī)制的推薦模型,該模型采用逐點(diǎn)損失,且考慮到用戶對(duì)每張圖片的偏好程度不同,不同用戶對(duì)同一張圖片的偏好也有差異,引入注意力機(jī)制,對(duì)用戶圖片的交互行為建模,并分別以用戶交互的圖片和圖片交互的用戶構(gòu)建注意力子模型。為了進(jìn)一步提升性能,通過(guò)深度神經(jīng)網(wǎng)絡(luò)提取圖片視覺(jué)特征,作為兩部分... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于用戶的協(xié)同過(guò)濾算法的原理

合肥工業(yè)大學(xué)學(xué)術(shù)碩士研究生學(xué)位論文8度計(jì)算，得到其鄰居用戶C，然后將C喜歡的且A未涉及的物品D推薦給用戶A，即完成了整個(gè)推薦流程。圖2.1基于用戶的協(xié)同過(guò)濾算法的原理Fig2.1Thefundamentalofuser-basedCF（2）基于項(xiàng)目的協(xié)同過(guò)濾圖2.2基于項(xiàng)目的協(xié)同過(guò)濾的基本原理Fig2.2Thefundamentalofitem-basedCF基于項(xiàng)目的協(xié)同過(guò)濾原理類似于基于用戶的協(xié)同過(guò)濾，不同的是不再基于用戶的角度尋找相鄰用戶，而是基于物品的角度尋找相鄰物品，然后根據(jù)用戶的歷史偏好，推薦相似的物品給他。從計(jì)算上來(lái)看，物品的相似度計(jì)算跟用戶一樣，大體來(lái)說(shuō)就是將所有用戶對(duì)某個(gè)物品的偏好作為一個(gè)向量來(lái)計(jì)算物品之間的相似度，

第二章理論研究及相關(guān)技術(shù)11圖2.3矩陣分解示意圖Fig2.3ThegraphicalmodelofMF傳統(tǒng)的基于用戶或項(xiàng)目的協(xié)同過(guò)濾算法直接從用戶或物品本身出發(fā)，通過(guò)尋找相似鄰居從而做出推薦，這種通過(guò)用戶及物品相關(guān)的歷史記錄進(jìn)行推薦的方法直接利用用戶物品的外在顯示聯(lián)系，并沒(méi)有嘗試去挖掘用戶物品間潛在的交互關(guān)系。在一個(gè)推薦系統(tǒng)中，這種潛在的關(guān)系是由用戶的日常生活行為，個(gè)人興趣偏好以及物品的屬性等各種方面體現(xiàn)出來(lái)�；谀Ｐ偷膮f(xié)同過(guò)濾嘗試從這一角度出來(lái)發(fā)，尋找一些潛在因子，將用戶物品間抽象的潛在交互關(guān)系表示出來(lái)，作為連接用戶和物品間的橋梁，而其中應(yīng)用最成功的就是基于矩陣分解(MatrixFactorization,MF)相關(guān)模型。如圖2.3所示，矩陣分解的任務(wù)就是將原始的用戶項(xiàng)目評(píng)分矩陣分解為兩個(gè)低維的用戶隱特征矩陣和項(xiàng)目隱特征矩陣，這兩個(gè)隱特征矩陣包含了用戶項(xiàng)目的潛在聯(lián)系，對(duì)應(yīng)維度的乘積即得到用戶對(duì)對(duì)應(yīng)物品的預(yù)測(cè)評(píng)分。本節(jié)就基于矩陣分解的相關(guān)經(jīng)典算法做個(gè)簡(jiǎn)單梳理。（1）SVD預(yù)測(cè)評(píng)分的過(guò)程可以看作是一個(gè)評(píng)分矩陣補(bǔ)全的過(guò)程。因此人們想到了數(shù)學(xué)中經(jīng)典的奇異值分解(SVD)方法，如式（2.6）所示：mnmkTkkknRUV（2.6）將原評(píng)分矩陣分解為三個(gè)矩陣相乘，左右兩個(gè)矩陣分別為用戶，物品隱因子矩陣，代表用戶，物品隱特征信息。中間為奇異值矩陣，且為對(duì)角矩陣。奇異值矩陣的引入是為了降維，一般奇異值矩陣的維度遠(yuǎn)小于原評(píng)分矩陣的維度。SVD分解有一個(gè)必要前提，即評(píng)分矩陣必須為稠密矩陣，即不存在稀疏元素，然而實(shí)際中很難滿足這種條件，可以采用諸如均值填充等方法進(jìn)行矩陣填充，但顯然填充后的矩陣失去了原有的特征性，且同時(shí)需求矩陣逆操作，存在計(jì)算復(fù)雜度過(guò)高的問(wèn)題。


本文編號(hào)：3322064