為了令現(xiàn)有推薦系統(tǒng)滿足高度稀疏數(shù)據(jù)環(huán)境下用戶的智能化推薦需求,越來越多學(xué)者針對情境感知推薦方法進(jìn)行了研究和改進(jìn)。情境感知推薦領(lǐng)域,情境信息包含兩類,本文將之歸納為:靜態(tài)情境信息、動態(tài)情境信息。靜態(tài)情境信息即用戶、項(xiàng)目所固有的屬性,其取值范圍可為推薦系統(tǒng)預(yù)先觀測。動態(tài)情境信息則是用戶在與項(xiàng)目交互過程中蘊(yùn)含用戶偏好等特征的評論或標(biāo)注信息�，F(xiàn)有的推薦方法,沒有充分考慮到情境信息對用戶評分的影響,造成推薦精度不高,無法滿足用戶智能推薦需求等問題。針對此類問題,本文關(guān)于情境感知推薦方法的研究,細(xì)化為針對兩類不同情境信息而分別提出兩種情境感知推薦模型。首先,針對靜態(tài)情境信息,本文研究將可選擇的靜態(tài)情境信息作為獨(dú)立特征向量,引入到傳統(tǒng)矩陣分解模型中,將其與用戶因子、項(xiàng)目因子分別交互后的累加值作為預(yù)測值輸出,從而提出一種融入靜態(tài)情境信息的矩陣分解推薦模型。另外,針對動態(tài)情境信息,傳統(tǒng)推薦系統(tǒng)難以有效提取其動態(tài)變化的隱含特征,且存在評分信息與情境信息割裂等問題。本文通過引入深度學(xué)習(xí)技術(shù),分別學(xué)習(xí)到評分與動態(tài)評論數(shù)據(jù)的深層非線性特征,并通過深度融合層對多源特征向量進(jìn)行交叉融合,提出一種基于深度學(xué)習(xí)的多源特... 

【文章來源】：遼寧大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

BERT模型結(jié)構(gòu)

第2章相關(guān)工作及研究理論基礎(chǔ)15圖2-2Transformer編碼單元結(jié)構(gòu)Encoder輸入為文本的詞嵌入表示，加入位置信息后經(jīng)過Self-attention層去計算文本中某一詞與全部詞語交互關(guān)系，再利用交互關(guān)系調(diào)整每個詞的權(quán)重獲得新的表達(dá)，這個新的表達(dá)不但蘊(yùn)含了該詞本身的語義，還蘊(yùn)含了其他詞與這個詞的關(guān)系。BERT模型訓(xùn)練方面創(chuàng)新性的采用“maskedlanguagemodel”和“下一句子預(yù)測”兩個任務(wù)分別捕獲詞語級和語句級特征表示，進(jìn)行聯(lián)合訓(xùn)練�！癿askedlanguagemodel”采用一類簡單方法：隨機(jī)mask15%輸入詞語，然后基于被遮掩詞語上下文進(jìn)行遮掩詞語預(yù)測。對于被遮掩的詞語，采用以下策略：（1）80%時間采用mask遮掩目標(biāo)詞（2）10%時間采用隨機(jī)詞語替代目標(biāo)詞（3）10%時間不遮掩目標(biāo)詞如此策略優(yōu)點(diǎn)在于：預(yù)測某一詞時，模型不知道輸入詞語是否正確，使得模型必須充分依賴上下文語義信息。至于總量僅為1.5%的隨機(jī)遮掩替代詞，不會影響模型的語言理解能力。“下一句子預(yù)測”任務(wù)：給定句子對，判別其是否為連續(xù)句子，以此捕獲句子級別特征。具體的實(shí)現(xiàn)方式是選擇一些句子對A與B，其中50%的數(shù)據(jù)B是A的下一條句子，剩余50%的數(shù)據(jù)B是語料庫中隨機(jī)選擇的，學(xué)習(xí)其中的相關(guān)性，

第3章融入靜態(tài)情境信息的矩陣分解推薦模型27Social0.02059Weather0.01428Time0.00921Season0.00855Physical0.00839Decision0.00813Daytype0.00579Location0.00492為了選擇適當(dāng)?shù)那榫匙兞考尤肽Ｐ停疚难芯苛嗽谝氩煌瑪?shù)目的情境信息下，模型均方根誤差最優(yōu)值，如圖3-1所示，其中橫坐標(biāo)為加入的情境變量數(shù)，縱坐標(biāo)為相應(yīng)的RMSE值。圖3-1情境維度對預(yù)測精度影響由圖3-1可知在本文模型中加入信息增益值前五的情境變量時，可令模型取得最小RMSE值。本文實(shí)驗(yàn)數(shù)據(jù)集2中，不存在類似心情、季節(jié)等明顯的情境維度信息，本文選擇電影類型、用戶職業(yè)作為附加的情境維度參與模型的交互計算。

【參考文獻(xiàn)】：
期刊論文
[1]智能推薦系統(tǒng)中協(xié)同過濾算法綜述[J]. 蒲鮮霖.  中國新通信. 2018(23)
[2]個性化推薦算法研究綜述[J]. 張志威.  信息與電腦(理論版). 2018(17)
[3]深度學(xué)習(xí)研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[4]基于用戶打分和評論的推薦算法研究[J]. 祁燕,岳添駿,楊大為.  沈陽理工大學(xué)學(xué)報. 2018(02)
[5]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[6]融合評分矩陣與評論文本的商品推薦模型[J]. 李琳,劉錦行,孟祥福,蘇暢,李鑫,鐘珞.  計算機(jī)學(xué)報. 2018(07)
[7]基于用戶近鄰的N維張量分解推薦算法[J]. 陳健美,孫亞軍.  計算機(jī)工程. 2017(11)
[8]基于情境感知的個性化推薦算法[J]. 時念云,李秋月.  計算機(jī)系統(tǒng)應(yīng)用. 2017(09)
[9]基于排序?qū)W習(xí)的推薦算法研究綜述[J]. 黃震華,張佳雯,田春岐,孫圣力,向陽.  軟件學(xué)報. 2016(03)
[10]移動環(huán)境下基于情境感知的個性化閱讀推薦研究[J]. 曾子明,陳貝貝.  情報理論與實(shí)踐. 2015(12)

博士論文
[1]面向推薦系統(tǒng)的關(guān)鍵問題研究及應(yīng)用[D]. 劉士琛.中國科學(xué)技術(shù)大學(xué) 2014

碩士論文
[1]面向社交網(wǎng)絡(luò)關(guān)系的矩陣分解算法的推薦系統(tǒng)研究[D]. 師彬杰.華中科技大學(xué) 2017



本文編號：3363370