隨著互聯(lián)網(wǎng)信息過(guò)載的日益明顯,推薦系統(tǒng)因?yàn)槟転橛脩糇詣?dòng)找到感興趣的信息而得到越來(lái)越廣泛的關(guān)注。推薦算法是推薦系統(tǒng)的核心,對(duì)推薦算法引起廣泛關(guān)注始于以Netflix電影推薦為代表的評(píng)分預(yù)測(cè)問(wèn)題。而隨著用戶使用習(xí)慣和心理預(yù)期的變化,以視頻、音樂(lè)等為代表的娛樂(lè)平臺(tái)需要基于隱式反饋進(jìn)行推薦,這類問(wèn)題往往比顯式反饋推薦更加復(fù)雜。同時(shí),隨著深度學(xué)習(xí)在圖像處理和自然語(yǔ)言處理領(lǐng)域取得重大突破,有更多的學(xué)者開(kāi)始投入到基于深度學(xué)習(xí)的推薦算法的研究中,且取得了一定的進(jìn)展。本文研究基于隱式反饋的個(gè)性化推薦算法。提出了一種基于嵌入共享的SE-WDL融合模型,首先對(duì)用戶行為記錄進(jìn)行不同維度的統(tǒng)計(jì)學(xué)特征提取,然后對(duì)于統(tǒng)計(jì)特征、用戶和物品元屬性稀疏特征、ID超稀疏特征、用戶行為序列組合特征分別設(shè)計(jì)Wide模塊、Deep模塊、LSTM模塊,并采取Deep和LSTM嵌入共享以及聯(lián)合訓(xùn)練的方式實(shí)現(xiàn)屬性特征、統(tǒng)計(jì)特征和行為序列信息的充分融合。針對(duì)現(xiàn)有使用的模型對(duì)于用戶不同類型的隱式反饋行為沒(méi)有區(qū)分度,以及用戶某些重要類型的反饋行為數(shù)據(jù)稀疏導(dǎo)致特征重要性低,而影響推薦系統(tǒng)個(gè)性化性能的問(wèn)題,本文著重研究了基于用戶行為類型的特征嵌...

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．２物品－用戶倒排表示意圖??利用求得的相似度來(lái)預(yù)估用戶對(duì)物品的喜好程度，在基于物品的推薦算法中，??

將很多資源浪費(fèi)在了計(jì)算這種用戶之間的相似度上。一個(gè)改進(jìn)的方法是采用倒排??表，先篩選出有共同行為的用戶對(duì)ｂ，ｖ），再計(jì)算他們之間的相似度。計(jì)算用戶相??似度時(shí)，建立物品到用戶的倒排表示意圖如圖２．２所示。??用戶?物品?ａ?１：２：??？?ｉｂ?ｄ＾＿?［?ｂ?：?０?（？）??....

圖２．３?ＤＮＮ結(jié)構(gòu)示意圖??

年提出［７６］，在感知機(jī)（Ｐｅｒｃｅｐｔｒｏｎ）的基礎(chǔ)上加入隱藏層（ｈｉｄｄｅｎｌａｙｅｒ）和非線性??激活函數(shù)（ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ），從而演變?yōu)榉蔷�性函數(shù)，可以學(xué)習(xí)到復(fù)雜的非線??性任務(wù)，其模型基本結(jié)構(gòu)如圖２．３所不，一般包括輸入層（ｉｎｐｕｔ?ｌａｙｅｒ）....

圖２．４?ＲＮＮ結(jié)構(gòu)示意圖??

在神經(jīng)網(wǎng)絡(luò)模型中，最早能夠?qū)W習(xí)序列信息的模型是循環(huán)神經(jīng)網(wǎng)絡(luò)（Ｒｅｃｕｒｒｅｎｔ??ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）模型，曾被廣泛運(yùn)用于自然語(yǔ)言處理任務(wù)中，以學(xué)習(xí)語(yǔ)句??中前面的單詞對(duì)當(dāng)前單詞預(yù)測(cè)的影響。ＲＮＮ模型的結(jié)構(gòu)圖如圖２．４，其每個(gè)隱藏??層的輸入，除了當(dāng)下時(shí)刻的數(shù)據(jù)輸....

圖２．５?ＬＳＴＭ細(xì)胞結(jié)構(gòu)示意圖??１６??

浙江大學(xué)碩士學(xué)位論文?第２章個(gè)性化推薦算法及相關(guān)技術(shù)??重復(fù)模塊結(jié)構(gòu)如圖２．５所示，不同于ＲＮＮ的重復(fù)模塊只包含一個(gè)筒單結(jié)構(gòu)（通??常是ｔａｎｈ），?ＬＳＴＭ的神經(jīng)元結(jié)構(gòu)包含遺忘門(mén)（ｆｏｒｇｅｔ?ｇａｔｅ）、輸入門(mén)（ｉｎｐｕｔ?ｇａｔｅ）??和輸出門(mén)（ｏｕｔｐｕｔ?ｇａｔｅ），遺....

本文編號(hào)：3963307