發(fā)布時間：2022-01-20 16:16

　　在信息時代,數(shù)據(jù)是核心,海量數(shù)據(jù)帶來的信息過載問題,使人們分析處理信息、找到自己喜愛的內(nèi)容成為一件困難的事;而信息的生產(chǎn)者,也需要讓自己的信息富有吸引力,從而獲得流量,為平臺創(chuàng)造收益。推薦系統(tǒng)作為一種信息過濾系統(tǒng),極大地緩解了這一供需矛盾。推薦系統(tǒng)能夠挖掘用戶的行為模式,建模用戶的興趣,并預測用戶對潛在信息的偏好程度,為用戶提供服務。推薦系統(tǒng)的研究以信息過濾為起點,此后隨著信息網(wǎng)絡的發(fā)展,用戶行為的變化和機器學習等計算機科學技術的興起,發(fā)展出各種推薦模型和算法。以協(xié)同過濾推薦為代表的方法,成為學術研究熱點,也是業(yè)界最為流行的框架。根據(jù)用戶和物品之間的交互信息,如評分記錄,學習兩者之間的隱藏特征以及抽象的推薦模式,預測用戶的喜好物品。實際應用中,用戶和物品的相關交互數(shù)據(jù)十分稀疏,且對于新用戶、新物品無法捕獲有效特征,降低了推薦系統(tǒng)的性能。目前,數(shù)據(jù)稀疏及冷啟動問題的一個重要的解決方案,就是融合相關的輔助數(shù)據(jù),如用戶社交網(wǎng)絡信息、用戶對相關物品的評論文本、用戶標簽數(shù)據(jù)和其他的用戶反饋信息等。這些數(shù)據(jù)來源多樣,且具有不同的結構,需要設計合理的機制,才能有效地融入推薦模型中,以提高最終推薦準度... 

【文章來源】：南京大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

圖２－２：神經(jīng)協(xié)同過濾模型??公式如下：??（ｐＧＭＦ?＝?ｌｌＧＭＦ?〇?ＶＧＭＦ，?（２－１６）??＝ｍ｛Ｘ｛Ｘ－＇－－－（］ｔ］）?ｌ，ＭＵ，ｗ■■■（Ｘ］－

Ｅｌｋａｈｋｙ等人在此基礎ｈ，提出了多視角的深度神經(jīng)網(wǎng)絡模型（Ｍｕｌｔｉ－Ｖｉｅｗ??Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?Ｍｕｌｔｉ－Ｖｉｅｗ?ＤＮＮ）丨３４】，在多個領域（視角）下，使用多??個ＤＳＳＭ結構對用戶進行聯(lián)合式的建模。如圖２－４所示，用戶視角下，將用??戶輸入ｘ，？通過多層前饋神經(jīng)網(wǎng)絡（ＭＬＰ）映射到一個隱式語義空間下的表示??ｙｆｙ?＝?／ｃ／Ｕｆ／為）。在不同視角下的用戶行為與交互數(shù)據(jù)，作為特征化的輸入、??通過對應的深度網(wǎng)絡進行特征映射變換，得到同屬于用戶表示空間的—個隱藏??對齊特征：％?＝?與ＤＳＳＭ類似地使用余弦相似度表示用戶和該視角下??物品的相關性，擬合用戶與這些物品之間的交互歷史，通過誤差反向傳播，更??１８??

新網(wǎng)絡參數(shù)沒。??在每？個視角ｖ卜，用戶的表不＿ｖｔ／與＇其中的物晶ｖ，■表�。�，■之間的余弦相??似度（距離）建模成概率，即：??沖咖）＝—．Ｖ，））?－?（２＿２／ｅ＞ｖ?ｅｘｐ（／ｌ?ｃｏｓ（ｙｕ，ｙ＇））??其中＾，表示視角ｖ中所有相關物品的深度結構化語義表示，并使用超參，丨平滑。優(yōu)化過程中，最大化所有視角Ｆ用戶和正樣本物品（＞０交萬．概率的似然??函數(shù)，即??￡?＝?－?＾?ｌｏｇ?Ｐ（ｙ＼ｕ）?＋?Ｑ（０）?（２－２３）（？，Ｖ）??可以認為，Ｍｕｌｔｉ－Ｖｉｅｗ?ＤＮＮ得到的用戶表不外，包含／多個視角下Ｎ＊甚的用??戶隱藏信息特征，在推薦系統(tǒng)中能更完整地代表用戶喜好因子。??２．５．２習模型??

【參考文獻】：
期刊論文
[1]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)
[2]跨媒體分析與推理:研究進展與發(fā)展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[3]適應用戶興趣變化的社會化標簽推薦算法研究[J]. 張艷梅,王璐.  計算機工程. 2014(11)
[4]適應用戶興趣變化的協(xié)同過濾推薦算法[J]. 邢春曉,高鳳榮,戰(zhàn)思南,周立柱.  計算機研究與發(fā)展. 2007(02)



本文編號：3599138