目前,推薦系統(tǒng)已經(jīng)得到了廣泛地運(yùn)用,推薦系統(tǒng)不僅可以改善用戶檢索信息的體驗(yàn),還可以為企業(yè)帶來(lái)巨大的商業(yè)價(jià)值。在各種各樣的推薦系統(tǒng)中基于協(xié)同過(guò)濾的方法是最為主流的方法,它本質(zhì)上是通過(guò)用戶的歷史交互進(jìn)行推薦。近年來(lái),基于機(jī)器學(xué)習(xí)方法的模型被廣泛使用。盡管傳統(tǒng)的機(jī)器學(xué)習(xí)方法已經(jīng)在推薦系統(tǒng)中取得了巨大的成功,但是依然存在以下問(wèn)題,模型的表述能力;預(yù)測(cè)的解釋性;冷啟動(dòng)問(wèn)題以及模型的靜態(tài)性。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,最近涌現(xiàn)的深度學(xué)習(xí)技術(shù)具有以下優(yōu)點(diǎn):處理更復(fù)雜的非線性關(guān)系;從原始數(shù)據(jù)中自動(dòng)地逐層提取特征;很好的通用性以及適用于大規(guī)模的數(shù)據(jù)。深度學(xué)習(xí)具有種種優(yōu)點(diǎn),并在不同領(lǐng)域取得了巨大成果。因此,本文的研究將聚焦于推薦系統(tǒng)中基于深度學(xué)習(xí)協(xié)同過(guò)濾模型的研究,并針對(duì)以上深度學(xué)習(xí)下推薦系統(tǒng)研究中依然存在問(wèn)題提出一系列有效的解決方案。具體來(lái)說(shuō),本文的主要研究?jī)?nèi)容和創(chuàng)新成果包括:(1)針對(duì)評(píng)分預(yù)測(cè)問(wèn)題,提出一種基于深度神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾�，F(xiàn)有的基于CF的方法只能掌握單一類型的關(guān)系,例如,它明顯地抓住了用戶-用戶或項(xiàng)目-項(xiàng)目關(guān)系的相關(guān)性。另一方面,矩陣分解明確地捕獲它們之間的相互作用。為了克服傳統(tǒng)的基于CF的方法中的這些缺陷,提出了一種新的深度學(xué)習(xí)方法,其通過(guò)預(yù)先理解用戶和產(chǎn)品來(lái)進(jìn)行有效的智能推薦。在初始階段,分別學(xué)習(xí)用戶和項(xiàng)目的相應(yīng)的低維嵌入向量,其捕獲反映用戶-用戶和項(xiàng)目-項(xiàng)目相關(guān)性的語(yǔ)義信息。在預(yù)測(cè)階段期間,采用前饋神經(jīng)網(wǎng)絡(luò)來(lái)模擬用戶和物品之間的相互作用,其中相應(yīng)的預(yù)訓(xùn)練的代表性矢量被作為神經(jīng)網(wǎng)絡(luò)的輸入�；趦蓚�(gè)基準(zhǔn)數(shù)據(jù)集進(jìn)行了幾次實(shí)驗(yàn),以驗(yàn)證所提方法的有效性,結(jié)果表明我們的模型優(yōu)于以前使用前饋神經(jīng)網(wǎng)絡(luò)的方法,并且跟之前最先進(jìn)的方法在預(yù)測(cè)精度上具有很大的可比性。(2)針對(duì)評(píng)分預(yù)測(cè),提出一種基于注意力的協(xié)同過(guò)濾模型。基于鄰域的協(xié)同過(guò)濾是推薦系統(tǒng)中具有高度重要性的方法,其具有簡(jiǎn)單性和合理性的優(yōu)點(diǎn)。然而,與基于模型的協(xié)同過(guò)濾系統(tǒng)相比,最近由于其低預(yù)測(cè)精度而受到較少的普及,但是基于模型的方法也存在值得關(guān)注的缺點(diǎn),即它們不能有效地解釋其估計(jì)背后的原因。為了研究一種同時(shí)具有高精度和合理性的系統(tǒng),本文提出了一種基于鄰域的協(xié)同過(guò)濾方法,該方法受到注意機(jī)制的啟發(fā),可以自適應(yīng)地找到用戶歷史中的預(yù)測(cè)的鄰域項(xiàng),然后基于這些關(guān)系進(jìn)行估計(jì)。且該方法不需要事先給出關(guān)于產(chǎn)品相關(guān)性的任何預(yù)定義的函數(shù)。通過(guò)進(jìn)行幾個(gè)基準(zhǔn)測(cè)試的實(shí)驗(yàn)以驗(yàn)證所提出的方法的性能,并且結(jié)果表明該方法除了能夠證明所獲得的預(yù)測(cè)精度可以擊敗所有先前的方法,并且可以保持一定的預(yù)測(cè)解釋性。(3)針對(duì)Top-N推薦問(wèn)題,提出一種基于深度強(qiáng)化學(xué)習(xí)的協(xié)同過(guò)濾模型。推薦的本質(zhì)是一個(gè)連續(xù)的決策過(guò)程。然而,大多數(shù)現(xiàn)有的推薦系統(tǒng)采用靜態(tài)視角,因此,它們存在用戶冷啟動(dòng)和對(duì)用戶興趣的改變無(wú)法適應(yīng)性的問(wèn)題。為克服這些問(wèn)題,本文提出了一種基于深度強(qiáng)化學(xué)習(xí)的新型Top-N交互式推薦系統(tǒng)。在該模型中,推薦過(guò)程被視為馬爾可夫決策過(guò)程,其中由于其時(shí)序的性質(zhì),使用遞歸神經(jīng)網(wǎng)絡(luò)來(lái)模擬推薦智能體和環(huán)境之間的交互。此外,為了最大化長(zhǎng)期推薦準(zhǔn)確性,采用強(qiáng)化學(xué)習(xí)來(lái)優(yōu)化這些模型。實(shí)驗(yàn)結(jié)果表明,該模型在準(zhǔn)確性方面明顯優(yōu)于基準(zhǔn)方法,并能夠有效解決了用戶冷啟動(dòng)和用戶的興趣變遷問(wèn)題。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.3;TP18
【部分圖文】：

(a) (b)圖 3-6 t-SNE的RIM產(chǎn)品特征向量可視化。(a)3 類情況下的結(jié)果;(b)5 類情況下的結(jié)果.5.2.1 特征的可視化為了清晰地展示學(xué)習(xí)得到的特征，通過(guò) t-SNE[137]技術(shù)將原始的 RIM 產(chǎn)品向量映射到二維空間上。這里，RIM 特征向量是在 MovieLen 1M 數(shù)據(jù)集上學(xué)到的結(jié)果。分別展示了兩種分類下的可視化結(jié)果如圖 3-6(a) 和圖 3-6(b)所示。在圖 3-6(a) 中，具有評(píng)分的產(chǎn)品被分為 3 類，包括負(fù)類別（評(píng)分1 到 2），類別（評(píng)分 3）和正類別（評(píng)分 4 到 5）。其中負(fù)類別在圖中用紅色表示，用藍(lán)色表示，正類別用綠色表示。從圖 3-6(a) 可以看出，特征向量可以被很聚類，相同類別的樣本基本聚集在一起。各個(gè)類別之間還有較好的層次關(guān)系為這里負(fù)類別，中性類別和正類別的樣本分布集中分布在圖的底部，中間和。

第四章 基于產(chǎn)品間注意力關(guān)系的推薦模型300F20 40 60 80 100 120 140 160l(b)0.90.910.920.930.940.950.960.970.980.99MSERSVDSVD++ACFAttention based CF圖 4-2 不同模型在不同嵌入向量大小下的 RMSE 結(jié)果只使用 L2 正則，只使用注意力丟棄，同時(shí)使用 L2 正則和注意力丟棄，以及使用 L2 正則和注意力丟棄。

電子科技大學(xué)博士學(xué)位論文4.3.5.3 優(yōu)化方法的影響由于在模型中存在著大量的參數(shù)需要學(xué)習(xí)，為了得到更高的預(yù)測(cè)精度，學(xué)習(xí)優(yōu)化方法的選擇同樣是一個(gè)關(guān)鍵點(diǎn)。因此在這一節(jié)中，比較了兩種不同的優(yōu)化方法對(duì)模型性能的影響。優(yōu)化方法分別是最為常用的 SGD 和模型中使用的 Ada-Grad。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許媛萍;;基于內(nèi)容的推薦與協(xié)同過(guò)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

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

3 胡致杰;胡羽沫;;協(xié)同過(guò)濾推薦瓶頸問(wèn)題研究[J];無(wú)線互聯(lián)科技;2016年09期

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

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

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

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

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

9 劉文佳;張駿;;改進(jìn)的協(xié)同過(guò)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

10 吳佳婧;賀嘉楠;王越群;董立巖;;基于項(xiàng)目屬性分類的協(xié)同過(guò)濾算法研究[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2018年04期

相關(guān)會(huì)議論文 前10條

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

2 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過(guò)濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

3 陳曦;;基于二階定時(shí)修正協(xié)同過(guò)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(huì)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(guò)濾推薦算法[A];第十三屆（2018）中國(guó)管理學(xué)年會(huì)論文集[C];2018年

5 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過(guò)濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)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(cè)的協(xié)同過(guò)濾推薦[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

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

8 潘崇倫;張弛;;協(xié)同過(guò)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(shí)代的信息化建設(shè)——2015（第三屆）中國(guó)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(xiàng)目平滑和聚類的協(xié)同過(guò)濾推薦算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(guó)科協(xié)年會(huì)——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(bào)紙文章 前3條

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

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

3 林嘉澍;若鄰網(wǎng)絡(luò)：發(fā)掘網(wǎng)上的真實(shí)人脈[N];經(jīng)濟(jì)觀察報(bào);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(guò)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(gè)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(guò)濾系統(tǒng)的稀疏性與冷啟動(dòng)問(wèn)題研究[D];浙江大學(xué);2005年

5 薛福亮;電子商務(wù)協(xié)同過(guò)濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)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(guò)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(guò)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(gè)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(jìng)爭(zhēng)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 章琦;基于協(xié)同過(guò)濾的全球AI挑戰(zhàn)賽社區(qū)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

2 劉運(yùn)沖;基于改進(jìn)的時(shí)間與用戶影響的協(xié)同過(guò)濾算法[D];安徽理工大學(xué);2019年

3 任德源;基于用戶分層結(jié)構(gòu)的個(gè)性化推薦方法[D];合肥工業(yè)大學(xué);2019年

4 李啟序;基于協(xié)同過(guò)濾的個(gè)性化推薦系統(tǒng)的研究[D];安徽理工大學(xué);2019年

5 鄭濤;一種改進(jìn)的協(xié)同過(guò)濾算法及其在推薦系統(tǒng)中的應(yīng)用[D];合肥工業(yè)大學(xué);2019年

6 張楊;基于領(lǐng)域知識(shí)圖譜實(shí)體消歧的協(xié)同過(guò)濾推薦算法研究[D];天津師范大學(xué);2019年

7 王茹玉;基于信息推薦的中藥適應(yīng)癥發(fā)現(xiàn)方法研究[D];北京交通大學(xué);2019年

8 張翔;個(gè)性化小說(shuō)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

9 祝月芳;基于協(xié)同過(guò)濾的電影票務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

10 周安琪;個(gè)性化推薦的協(xié)同過(guò)濾算法探究[D];上海交通大學(xué);2017年

本文編號(hào)：2833377