在推薦系統(tǒng)研究領(lǐng)域,協(xié)同過(guò)濾推薦算法的應(yīng)用和研究最為廣泛,在一些推薦任務(wù)中取得一定成效。但是,協(xié)同過(guò)濾推薦算法單一考慮了用戶的評(píng)分?jǐn)?shù)據(jù),存在數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題,難以學(xué)習(xí)到用戶與項(xiàng)目之間的強(qiáng)關(guān)聯(lián)信息。作為淺層推薦模型,該算法無(wú)法獲取到用戶與項(xiàng)目間更深層次隱藏特征,導(dǎo)致推薦效果不理想。為緩解數(shù)據(jù)稀疏性和冷啟動(dòng)問(wèn)題,信任信息被當(dāng)作輔助信息加入到了推薦模型。然而,傳統(tǒng)的信任感知推薦系統(tǒng)采用平衡用戶自身偏好和信任用戶偏好的方法進(jìn)行推薦,仍然屬于淺層推薦模型范疇,挖掘用戶與項(xiàng)目間的更深層次隱藏特征的能力相對(duì)薄弱。除此之外,基于信任的推薦模型在處理用戶對(duì)信任用戶的相似度或注意力分配時(shí),大多數(shù)是由用戶的共同評(píng)分項(xiàng)進(jìn)行計(jì)算,在極大程度上不能得到最優(yōu)的注意力分配。以深度學(xué)習(xí)為代表的人工智能技術(shù),為推薦模型的研究帶來(lái)了契機(jī)�；谏疃葘W(xué)習(xí)的推薦模型利用多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶和項(xiàng)目交互信息,獲取深層次隱藏特征,獲得較好推薦效果�，F(xiàn)有大部分模型都是基于矩陣分解的思想,并使用單一評(píng)分?jǐn)?shù)據(jù),對(duì)用戶強(qiáng)關(guān)聯(lián)信息表現(xiàn)出弱學(xué)習(xí)性,難以更進(jìn)一步提升模型的推薦性能。本文融合了信任信息作為輔助信息,構(gòu)建新的神經(jīng)網(wǎng)絡(luò)模型融合信任信息...

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.2STE模型示意圖

西南大學(xué)碩士學(xué)位論文10,,00min,,,,,,ijikTTijijCikikUVZRClRUVlCUZUVZ（2-4）該式包括用戶歷史評(píng)分信息、社交信任信息和正則化約束三部分，其中囊括三個(gè)待求特征向量各自的正則化項(xiàng)，,,Cl為SoRec將要學(xué)習(xí)的模型參數(shù)，并且直接對(duì)三個(gè)待求向....

圖2.1SoRec模型示意圖

西南大學(xué)碩士學(xué)位論文10,,00min,,,,,,ijikTTijijCikikUVZRClRUVlCUZUVZ（2-4）該式包括用戶歷史評(píng)分信息、社交信任信息和正則化約束三部分，其中囊括三個(gè)待求特征向量各自的正則化項(xiàng)，,,Cl為SoRec將要學(xué)習(xí)的模型參數(shù)，并且直接對(duì)三個(gè)待求向....

圖2.3SocialMF模型示意圖

章相關(guān)理論與技術(shù)111uTTuiuiuvvivNRUVTUV（2-5）其中Nu為某用戶所有信任的集合，Tuv就是每個(gè)用戶u對(duì)其信任朋友v的信任度，模型通過(guò)設(shè)定一個(gè)固定值1uN，以表示每個(gè)朋友對(duì)該用戶的信任關(guān)系的一致性。但是，在現(xiàn)實(shí)世界中不同的信任朋友對(duì)不同用戶的影響程度肯定不一樣....

圖2.4MLP推薦模型框架圖

西南大學(xué)碩士學(xué)位論文12表示用戶u的所有信任朋友的集合，Tu,v表示不同信任朋友對(duì)用戶u的影響比重，該模型設(shè)定每個(gè)信任朋友對(duì)該用戶的信任關(guān)系相同，那么在迭代學(xué)習(xí)用戶的特征向量過(guò)程中，用戶的特征向量會(huì)趨于其朋友信任特征向量的平均偏好。2.3深度學(xué)習(xí)相關(guān)技術(shù)及其在推薦算法中的應(yīng)用深度....

本文編號(hào)：4015946