隨著互聯(lián)網(wǎng)信息過載的日益明顯,推薦系統(tǒng)因為能為用戶自動找到感興趣的信息而得到越來越廣泛的關(guān)注。推薦算法是推薦系統(tǒng)的核心,對推薦算法引起廣泛關(guān)注始于以Netflix電影推薦為代表的評分預測問題。而隨著用戶使用習慣和心理預期的變化,以視頻、音樂等為代表的娛樂平臺需要基于隱式反饋進行推薦,這類問題往往比顯式反饋推薦更加復雜。同時,隨著深度學習在圖像處理和自然語言處理領(lǐng)域取得重大突破,有更多的學者開始投入到基于深度學習的推薦算法的研究中,且取得了一定的進展。本文研究基于隱式反饋的個性化推薦算法。提出了一種基于嵌入共享的SE-WDL融合模型,首先對用戶行為記錄進行不同維度的統(tǒng)計學特征提取,然后對于統(tǒng)計特征、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計Wide模塊、Deep模塊、LSTM模塊,并采取Deep和LSTM嵌入共享以及聯(lián)合訓練的方式實現(xiàn)屬性特征、統(tǒng)計特征和行為序列信息的充分融合。針對現(xiàn)有使用的模型對于用戶不同類型的隱式反饋行為沒有區(qū)分度,以及用戶某些重要類型的反饋行為數(shù)據(jù)稀疏導致特征重要性低,而影響推薦系統(tǒng)個性化性能的問題,本文著重研究了基于用戶行為類型的特征嵌...

【文章頁數(shù)】：88 頁

【學位級別】：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預估用戶對物品的喜好程度，在基于物品的推薦算法中，??

將很多資源浪費在了計算這種用戶之間的相似度上。一個改進的方法是采用倒排??表，先篩選出有共同行為的用戶對ｂ，ｖ），再計算他們之間的相似度。計算用戶相??似度時，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（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)，可以學習到復雜的非線??性任務，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)絡模型中，最早能夠?qū)W習序列信息的模型是循環(huán)神經(jīng)網(wǎng)絡（Ｒｅｃｕｒｒｅｎｔ??ＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＮＮ）模型，曾被廣泛運用于自然語言處理任務中，以學習語句??中前面的單詞對當前單詞預測的影響。ＲＮＮ模型的結(jié)構(gòu)圖如圖２．４，其每個隱藏??層的輸入，除了當下時刻的數(shù)據(jù)輸....

圖２．５?ＬＳＴＭ細胞結(jié)構(gòu)示意圖??１６??

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

本文編號：3963307