【摘要】：隨著互聯(lián)網(wǎng)信息量爆炸式地增長,推薦系統(tǒng)已成為解決信息過載問題的一種有效技術(shù)手段,它允許用戶發(fā)現(xiàn)符合自己興趣偏好的新項目,也能夠?qū)⑵髽I(yè)的項目定向投放到具體的人群。在現(xiàn)實世界中,隱式反饋相對于顯式反饋而言,具有更廣泛的可用性,因此一些研究人員已經(jīng)努力基于隱式反饋來設(shè)計推薦系統(tǒng)。傳統(tǒng)的協(xié)同過濾方法,例如使用矩陣分解模型,只是簡單地將用戶-項目之間的交互建模為它們潛在特征向量的線性組合,這在很大程度上限制了模型的表達能力。為此,一些研究人員已經(jīng)設(shè)計了基于神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾,探索深度神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)用,神經(jīng)網(wǎng)絡(luò)協(xié)同過濾就是其中最具代表性的方法之一。本文對神經(jīng)網(wǎng)絡(luò)協(xié)同過濾進行了深入研究和分析,并針對其不足提出了如下改進方案:(1)神經(jīng)網(wǎng)絡(luò)協(xié)同過濾將用戶-項目之間的交互建模為更加復(fù)雜的非線性模型,提高了推薦性能的同時,使用了大量的模型參數(shù),導(dǎo)致模型訓(xùn)練效率不高。本文經(jīng)過認(rèn)真研究分析發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)協(xié)同過濾框架中的嵌入層是一個全連接層,該層中用戶和項目的潛在因子矩陣也會作為整個模型參數(shù)的一部分參與訓(xùn)練。為了對嵌入層提前單獨進行訓(xùn)練,減少后期模型訓(xùn)練的參數(shù),提高模型的訓(xùn)練效率,本文通過引入隱式反饋嵌入模型提出了IFE-NCF框架,并將該方案應(yīng)用于NCF框架的兩個具體實現(xiàn)GMF和MLP,分別得到了IFE-GMF和IFE-MLP兩個模型。(2)神經(jīng)網(wǎng)絡(luò)協(xié)同過濾僅僅依靠用戶和項目之間的交互進行建模,在用戶冷啟動問題以及捕獲密切相關(guān)的項目之間的關(guān)系上仍然表現(xiàn)不佳。具體地講,神經(jīng)網(wǎng)絡(luò)協(xié)同過濾在建模時沒有考慮項目與項目之間存在的某些聯(lián)系,可能會限制模型的推薦效果。另外只使用用戶與項目之間的交互行為來建模,不足以對歷史交互行為較少的用戶,即冷啟動用戶做出有效的推薦。對此,本文在IFE-NCF基礎(chǔ)上引入了項目上下文,提出了基于項目上下文的IFE-NCF框架,將目標(biāo)用戶對測試項目的交互建模為兩方面內(nèi)容:一方面是目標(biāo)用戶對測試項目的表現(xiàn),另一方面是測試項目與目標(biāo)用戶曾經(jīng)交互的項目之間的關(guān)系。而且本文在基于項目上下文的IFE-NCF框架下具體實現(xiàn)了基于項目上下文的IFE-GMF和基于項目上下文的IFE-MLP兩個模型。本文分別針對IFE-GMF和IFE-MLP,以及基于項目上下文的IFE-GMF和基于項目上下文的IFE-MLP進行了大量實驗。實驗結(jié)果表明IFE-GMF和IFE-MLP在不損失預(yù)測準(zhǔn)確度的情況下,可以明顯提高原模型的訓(xùn)練效率;基于項目上下文的IFE-GMF和基于項目上下文的IFE-MLP相較于原模型,在推薦性能上都有明顯改進,并且有效緩解了用戶冷啟動問題。實驗結(jié)果也表明在基于項目上下文的IFE-GMF和基于項目上下文的IFE-MLP兩個模型的訓(xùn)練過程中,隨著迭代次數(shù)的增加,它們的推薦性能都在不斷提升,但是當(dāng)?shù)螖?shù)達到某個數(shù)值時,這兩個模型的推薦性能都趨于穩(wěn)定。此外,實驗結(jié)果還表明增加神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)可以明顯提升基于項目上下文的IFE-MLP的推薦性能。
【圖文】：

工神經(jīng)于深度學(xué)經(jīng)網(wǎng)絡(luò)現(xiàn)。人工系統(tǒng)處理神經(jīng)網(wǎng)絡(luò)，，麥卡洛。.1 M-P經(jīng)神經(jīng)網(wǎng)學(xué)習(xí)的大火（Deep Neu工神經(jīng)網(wǎng)絡(luò)理外界信息絡(luò)是目前機洛克-皮特斯P 模型第二章 協(xié)同絡(luò)簡介火,一些研究ural Networ絡(luò)（Artificial息的原理，開器學(xué)習(xí)和深斯模型，又同過濾算法與人員已經(jīng)通rk , DNNs）l Neural Ne開發(fā)出的旨在深度學(xué)習(xí)使又稱 M-P 模型與神經(jīng)網(wǎng)絡(luò)簡通過設(shè)計基）在推薦系etwork, ANN在復(fù)制人類用的主要工型和多層感簡介于神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的應(yīng)用N）簡稱神經(jīng)類對事物學(xué)習(xí)工具之一。在感知器模型是絡(luò)的協(xié)同過用，來提高經(jīng)網(wǎng)絡(luò)，是習(xí)方式的一在眾多的神是最為人所過濾,探高推薦是基于一種數(shù)神經(jīng)網(wǎng)所知的

器學(xué)習(xí)和深斯模型，又圖2.圖2同過濾算法與15人員已經(jīng)通rk , DNNs）l Neural Ne開發(fā)出的旨在深度學(xué)習(xí)使又稱 M-P 模型5 M-P 神經(jīng).6 ReLU 激與神經(jīng)網(wǎng)絡(luò)簡通過設(shè)計基）在推薦系etwork, ANN在復(fù)制人類用的主要工型和多層感經(jīng)元模型激活函數(shù)簡介于神經(jīng)網(wǎng)絡(luò)系統(tǒng)中的應(yīng)用N）簡稱神經(jīng)類對事物學(xué)習(xí)工具之一。在感知器模型是絡(luò)的協(xié)同過用，來提高經(jīng)網(wǎng)絡(luò)，是習(xí)方式的一在眾多的神是最為人所過濾,探索高推薦系是基于生一種數(shù)學(xué)神經(jīng)網(wǎng)絡(luò)所知的兩
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.3;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 檀亞寧;金澤明;陳輝;;基于項目協(xié)同過濾的電視產(chǎn)品營銷推薦模型[J];科技資訊;2019年32期

2 許媛萍;;基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦分析與探究[J];新聞研究導(dǎo)刊;2018年13期

3 李改;鄒小青;;基于隱式反饋的協(xié)同過濾算法研究綜述[J];福建電腦;2018年11期

4 胡致杰;胡羽沫;;協(xié)同過濾推薦瓶頸問題研究[J];無線互聯(lián)科技;2016年09期

5 鄭婕;鮑海琴;;基于協(xié)同過濾推薦技術(shù)的個性化網(wǎng)絡(luò)教學(xué)平臺研究[J];科技風(fēng);2012年06期

6 張家鑫;劉志勇;張琳;張倩;莎仁;;基于協(xié)同過濾的多維度電影推薦方法研究[J];長春理工大學(xué)學(xué)報(自然科學(xué)版);2019年02期

7 楊莉;;基于時間因子的協(xié)同過濾算法研究[J];電腦知識與技術(shù);2019年09期

8 章宗杰;陳瑋;;基于標(biāo)簽擴展的協(xié)同過濾算法在音樂推薦中的應(yīng)用[J];軟件導(dǎo)刊;2018年01期

9 王嬋;;一種基于加權(quán)因子的混合協(xié)同過濾算法[J];電腦知識與技術(shù);2018年09期

10 劉文佳;張駿;;改進的協(xié)同過濾算法在電影推薦系統(tǒng)中的應(yīng)用[J];現(xiàn)代商貿(mào)工業(yè);2018年17期

相關(guān)會議論文 前10條

1 孫見山;徐東;姜元春;;融合人格信息的單分類協(xié)同過濾方法研究[A];第十二屆（2017）中國管理學(xué)年會論文集[C];2017年

2 沈杰峰;杜亞軍;唐俊;;一種基于項目分類的協(xié)同過濾算法[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

3 陳曦;;基于二階定時修正協(xié)同過濾系統(tǒng)的信息推薦算法[A];2019年第二屆鋼鐵工業(yè)智能制造發(fā)展論壇會議論文集[C];2019年

4 駱正清;鄭濤;;基于標(biāo)簽聚類的協(xié)同過濾推薦算法[A];第十三屆（2018）中國管理學(xué)年會論文集[C];2018年

5 胡必云;李舟軍;王君;;基于心理測量學(xué)的協(xié)同過濾相似度方法(英文)[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

6 孫鐵利;楊焱;邱春艷;;基于內(nèi)容預(yù)測的協(xié)同過濾推薦[A];2005年全國理論計算機科學(xué)學(xué)術(shù)年會論文集[C];2005年

7 劉牧;楊智強;王衡;;基于普適計算的日程發(fā)現(xiàn)方法探討[A];第七屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2011)論文集【poster】[C];2011年

8 潘崇倫;張弛;;協(xié)同過濾的自服務(wù)模式在水務(wù)信息基礎(chǔ)架構(gòu)管理中的研究[A];大數(shù)據(jù)時代的信息化建設(shè)——2015（第三屆）中國水利信息化與數(shù)字水利技術(shù)論壇論文集[C];2015年

9 陶紅亮;王明文;曹瑛;;基于項目平滑和聚類的協(xié)同過濾推薦算法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

10 易們;楊成;柴智;;基于重排序的新用戶TOPN推薦方法研究[A];第十九屆中國科協(xié)年會——分4信息新技術(shù) 東北新工業(yè)論壇論文集[C];2017年

相關(guān)重要報紙文章 前3條

1 林嘉澍;從搜索到發(fā)現(xiàn)[N];經(jīng)濟觀察報;2007年

2 本報記者 沈佳;數(shù)據(jù)大了 決策準(zhǔn)了[N];山西日報;2014年

3 林嘉澍;若鄰網(wǎng)絡(luò)：發(fā)掘網(wǎng)上的真實人脈[N];經(jīng)濟觀察報;2007年

相關(guān)博士學(xué)位論文 前10條

1 符明晟;基于深度學(xué)習(xí)的智能推薦技術(shù)研究[D];電子科技大學(xué);2019年

2 顧梁;播存結(jié)構(gòu)中基于協(xié)同過濾的內(nèi)容推薦技術(shù)研究[D];東南大學(xué);2017年

3 袁衛(wèi)華;面向稀疏數(shù)據(jù)的多視圖個性化推薦方法研究[D];山東師范大學(xué);2018年

4 孫小華;協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D];浙江大學(xué);2005年

5 薛福亮;電子商務(wù)協(xié)同過濾推薦質(zhì)量影響因素及其改進機制研究[D];天津大學(xué);2012年

6 段銳;融合文本內(nèi)容與情境信息的協(xié)同過濾推薦方法研究[D];合肥工業(yè)大學(xué);2017年

7 郭艷紅;推薦系統(tǒng)的協(xié)同過濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

8 張雪潔;基于QoS的個性化云服務(wù)推薦方法研究[D];南京航空航天大學(xué);2015年

9 姜邵巍;基于競爭關(guān)系的推薦技術(shù)研究[D];北京郵電大學(xué);2014年

10 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 張晶;基于改進的協(xié)同過濾短視頻個性化推薦系統(tǒng)分析與實現(xiàn)[D];江西農(nóng)業(yè)大學(xué);2019年

2 王菲;融合信任聚類的協(xié)同過濾算法研究與應(yīng)用[D];南京郵電大學(xué);2019年

3 田力;用于抵御隨機攻擊的協(xié)同過濾推薦技術(shù)研究[D];南京郵電大學(xué);2019年

4 Jun Lu;[D];華中師范大學(xué);2019年

5 黃鎮(zhèn);基于協(xié)同過濾的跨境電商推薦系統(tǒng)研究[D];華中科技大學(xué);2019年

6 姜陽;基于用戶行為的APP推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];東南大學(xué);2018年

7 李淑敏;基于聚類和用戶偏好的協(xié)同過濾算法的研究[D];燕山大學(xué);2019年

8 張丹;基于二階隱馬爾可夫模型的協(xié)同過濾算法的研究與應(yīng)用[D];江蘇大學(xué);2019年

9 王波;基于隱馬爾可夫模型和協(xié)同過濾推薦算法的研究[D];華中科技大學(xué);2019年

10 黎曉春;協(xié)同過濾推薦技術(shù)的研究及其改進[D];上海交通大學(xué);2017年

本文編號：2591353