發(fā)布時間：2022-01-28 00:38

　　線上娛樂和線上購物等互聯(lián)網(wǎng)應(yīng)用的快速發(fā)展,豐富了人們娛樂生活,然而用戶也需要花費(fèi)大量的時間和精力在海量信息中尋找自己感興趣的內(nèi)容,為此推薦算法應(yīng)運(yùn)而生。隨著用戶互動的增多、產(chǎn)品信息的完善,造成數(shù)據(jù)體量的迅速增大、數(shù)據(jù)稀疏性急劇增加,傳統(tǒng)的推薦系統(tǒng)因?yàn)闊o法充分提取用戶和項(xiàng)目的特征,同時也無法充分挖掘用戶和產(chǎn)品之間的內(nèi)在聯(lián)系,導(dǎo)致推薦效果并不理想。深度學(xué)習(xí)具有強(qiáng)大的學(xué)習(xí)能力,可以從海量樣本數(shù)據(jù)源學(xué)習(xí)到本質(zhì)特征,同時具有良好的可移植性,所以越來越多的學(xué)者將它運(yùn)用到推薦系統(tǒng)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域中應(yīng)用最普遍也是最卓有成效的一種神經(jīng)網(wǎng)絡(luò),它可以對文本信息特征進(jìn)行深度挖掘與分析,進(jìn)而對用戶特征進(jìn)行了很好的分類,近年來也被逐步應(yīng)用到推薦領(lǐng)域中。但現(xiàn)有的研究在信息輸入端對信息特征的處理還不夠充分,比如在信息輸入端對用戶畫像、用戶行為、產(chǎn)品屬性等非用戶評分?jǐn)?shù)據(jù)未進(jìn)行深層次分類處理研究,同時對特征融合層的研究存在不足。針對上述問題,本文對推薦算法的特征提取進(jìn)行了深入研究,提出以下改進(jìn):1、針對推薦系統(tǒng)存在用戶和項(xiàng)目信息提取不充分的問題,通過將用戶和項(xiàng)目的輔助信息劃分為淺層語義信息和深層語義信息,... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

全球數(shù)據(jù)總量趨勢圖

第一章緒論2或者計算項(xiàng)目與項(xiàng)目之間的相似度，來給具有相似興趣點(diǎn)的用戶之間互相推薦項(xiàng)目，又或是給用戶推薦感興趣的項(xiàng)目。推薦系統(tǒng)的出現(xiàn)，帶給了用戶極佳體驗(yàn)的同時，給電子商戶帶來了豐厚的盈利回報。圖1-2微博熱門榜單推薦當(dāng)前，推薦系統(tǒng)已廣泛應(yīng)用在各種領(lǐng)域，如美團(tuán)外賣、百度外賣等線上餐飲行業(yè)，如攜程、馬蜂窩等旅游平臺；如阿里巴巴、亞馬遜等線上購物平臺，如網(wǎng)易云音樂、QQ音樂等音樂平臺。推薦系統(tǒng)的應(yīng)用帶給我們豐富的線上體驗(yàn)的同時，也影響著我們生活的各個方面。主流的推薦算法可以分為基于流行度的推薦算法、協(xié)同過濾推薦算法、基于內(nèi)容的推薦算法和混合推薦算法�；诹餍卸鹊耐扑]算法[1]較為簡單，它是通過選取用戶點(diǎn)擊率高的信息進(jìn)行排序，接著選取前N個熱點(diǎn)進(jìn)行推薦，圖1-2是微博一個熱門榜單推薦，該算法雖然簡單，但由于不具有針對性，所以推薦效果不佳；協(xié)同過濾推薦系統(tǒng)[2]分為基于用戶的協(xié)同過濾、基于項(xiàng)目的協(xié)同過濾和基于模型的協(xié)同過濾，協(xié)同過濾是一種“集體智慧”的體現(xiàn)，這種“集體智慧”是通過在用戶和項(xiàng)目之間建立一種關(guān)系網(wǎng)實(shí)現(xiàn)的，這種關(guān)系網(wǎng)通常為用戶評分矩陣，比如在一群用戶中找到與目標(biāo)用戶興趣偏好相似的用戶，這就需要計算目標(biāo)用戶的項(xiàng)目評分矩陣與需要計算的用戶項(xiàng)目評分矩陣的相似度，從而篩選出最相似的那部分用戶，給予推薦，協(xié)同過濾推薦算法可以解決一些難以進(jìn)行內(nèi)容分析的項(xiàng)目，如音樂、藝術(shù)等，也可以解決一些用戶從未接觸過的東西，即長尾效應(yīng)問題（Longtaileffect）,但由于比較依賴用戶評分矩陣，對數(shù)據(jù)稀疏性問題、冷啟動問題表現(xiàn)不佳，數(shù)據(jù)稀疏性問題即用戶與項(xiàng)目之間存在部分項(xiàng)目沒有進(jìn)行任何交互行為或

級聯(lián)式等方式整合多種推薦算法來進(jìn)行推薦，如網(wǎng)易云音樂等，這種采取眾多推薦算法結(jié)合的方式，雖然可以彌補(bǔ)各自推薦算法的缺點(diǎn)，但也存在針對性不強(qiáng)和模型的復(fù)雜度遞增。傳統(tǒng)的推薦算法不能有效的解決數(shù)據(jù)稀疏的問題，這就需要有一種能夠?qū)W習(xí)到用戶特征，能夠抓住用戶和項(xiàng)目之間的內(nèi)在聯(lián)系，從而抓住用戶的興趣點(diǎn)，給予恰到好處的推薦。深度學(xué)習(xí)技術(shù)能夠從異構(gòu)多源且豐富的用戶行為數(shù)據(jù)和項(xiàng)目信息中自主學(xué)習(xí)到深層次的特征表示，其強(qiáng)大的特征學(xué)習(xí)能力解決了傳統(tǒng)的推薦算法所遇到的問題，因此得到了越來越多學(xué)者的關(guān)注。圖1-3YouTube基于深度學(xué)習(xí)的視頻推薦自1986年，由Hinton等提出快速計算受限玻耳茲曼機(jī)(RBM)[5]之后，深度學(xué)習(xí)得到了廣泛的研究，在圖像領(lǐng)域[6]、音頻領(lǐng)域[7]、自然語言領(lǐng)域[8]等取得了突破性的進(jìn)展。由于深度學(xué)習(xí)模型具有普適性的優(yōu)點(diǎn)，所以有大量學(xué)者引入了深度學(xué)習(xí)的思想，給推薦系統(tǒng)領(lǐng)域的研究注入了新的活力，圖1-3是YouTube基于深度學(xué)習(xí)的視頻推薦。雖然深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域已取得了初步成效，但遠(yuǎn)遠(yuǎn)沒有達(dá)到在其他領(lǐng)域取得的成績。近年來，隨著用戶對項(xiàng)目的交互行為的增加，越來越多的研究學(xué)者將用戶的行為、項(xiàng)目屬性等輔助信息加入到了推薦算法中，已有

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)矩陣分解與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的推薦模型[J]. 蔡念,劉廣聰,蔡紅丹.  計算機(jī)工程與應(yīng)用. 2019(19)
[2]棧式降噪自編碼器的標(biāo)簽協(xié)同過濾推薦算法[J]. 霍歡,鄭德原,高麗萍,楊滬滬,劉亮,張薇.  小型微型計算機(jī)系統(tǒng). 2018(01)
[3]利用社交關(guān)系的實(shí)值條件受限玻爾茲曼機(jī)協(xié)同過濾推薦算法[J]. 何潔月,馬貝.  計算機(jī)學(xué)報. 2016(01)
[4]基于時序行為的協(xié)同過濾推薦算法[J]. 孫光福,吳樂,劉淇,朱琛,陳恩紅.  軟件學(xué)報. 2013(11)
[5]不確定近鄰的協(xié)同過濾推薦算法[J]. 黃創(chuàng)光,印鑒,汪靜,劉玉葆,王甲海.  計算機(jī)學(xué)報. 2010(08)
[6]適應(yīng)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(jī)研究與發(fā)展. 2007(02)
[7]使用BP神經(jīng)網(wǎng)絡(luò)緩解協(xié)同過濾推薦算法的稀疏性問題[J]. 張鋒,常會友.  計算機(jī)研究與發(fā)展. 2006(04)
[8]基于項(xiàng)目評分預(yù)測的協(xié)同過濾推薦算法[J]. 鄧愛林,朱揚(yáng)勇,施伯樂.  軟件學(xué)報. 2003(09)
[9]個性化推薦算法設(shè)計[J]. 趙亮,胡乃靜,張守志.  計算機(jī)研究與發(fā)展. 2002(08)



本文編號：3613365