隨著互聯(lián)網(wǎng)時代的到來,人類社會正式進(jìn)入信息過載的時代,推薦系統(tǒng)已經(jīng)成為電商網(wǎng)站、社交媒體和新聞門戶等在線服務(wù)平臺的重要組成部分。推薦系統(tǒng)的目的在于有效地挖掘用戶興趣并緩解信息過載的問題。目前主流的推薦系統(tǒng)傾向于從用戶和商品的歷史交互行為中挖掘出用戶的興趣愛好并形成推薦。雖然基于交互數(shù)據(jù)的推薦系統(tǒng)取得了不錯的推薦性能,但當(dāng)交互數(shù)據(jù)比較稀疏時,這類推薦系統(tǒng)往往會面臨性能嚴(yán)重下降的問題。此外,僅基于交互數(shù)據(jù)的推薦系統(tǒng)也無法為自身的推薦結(jié)果提供合理的可解釋性。近年,為了解決基于交互數(shù)據(jù)的推薦系統(tǒng)所面臨的挑戰(zhàn),基于文本的推薦系統(tǒng)開始流行。用戶的評論是用戶除在線消費(fèi)行為以外,另一個體現(xiàn)用戶在線消費(fèi)體驗(yàn)和情感的數(shù)據(jù)（例如:用戶為什么要購買該商品,用戶對該商品最滿意的屬性等）�；谖谋镜耐扑]系統(tǒng)嘗試通過把用戶的評論信息和商品的描述信息等文本內(nèi)容作為新的數(shù)據(jù)源,旨在解決用戶交互數(shù)據(jù)的稀疏性問題。同時,基于文本的推薦系統(tǒng)可以利用從評論中挖掘出的語義信息為推薦系統(tǒng)的推薦結(jié)果提供語義上的可解釋性。本文主要針對當(dāng)前基于文本的推薦系統(tǒng)所存在的問題,從以下三個方面展開研究:（1）能感知購物場景的用戶和商品的動態(tài)表示... 

【文章來源】：武漢大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：115 頁

【學(xué)位級別】：博士

【部分圖文】：

圖２．１：?Ｗｂｒｄ＾；ｅｃ模型架構(gòu)圖：ＣＢＯＷ模型（ａｊ和６ｆｅ＾ｐ－ＧＶａｍ模型〔６人??

價值的特征信息的同時過濾噪黃，計(jì)算機(jī)圖像領(lǐng)域的學(xué)者提出了注意力機(jī)制，用以決??定在學(xué)習(xí)過程洪需要被關(guān)注的重要圖像特征，從而更好地表征目標(biāo)圖像。近年來＾午??多自然語有處理模型也嘗試?yán)米ⅲ饬C(jī)制來計(jì)算特征之間的關(guān)聯(lián)得分，并根據(jù)特征??的得分選擇熏要的特征，旨在學(xué)習(xí)更好的特怔表輯，從而最終提升模型的性能。常用??的關(guān)聯(lián)得分的計(jì)算方式主要有以下三種：??ｓｃｏｒｅ（ｈｉ，ｈ／２?）＝＼?ｈ＾Ｗａｈ２?（２．３）??＾?Ｗｄ２ｆ７（Ｗａｌ［／ｉｌ；／ｌ２］）??式中，／？１和泰＾特征的向＇量表達(dá)Ｗ＊代表計(jì)集關(guān)聯(lián)的權(quán)奠矩陣。??

?基于文本的可解釋性推薦系統(tǒng)研究???＾ｉｎｔｅｒａｃｔｉｏｎ?？??Ｐｕ?十—？｜??ｉ??Ｕｓｅｒ?ｉｄ?Ｉｔｅｍ?ｉｄ??圖３．３：基于交互數(shù)據(jù)的特征學(xué)習(xí)組件架構(gòu)圖??ｑ？?＝?Ｑｘｉ?（３．２３）??式寧，Ｐ?Ｇ?ＩＲＺｘｐ和Ｑ?Ｇ?ＩＲＺｘ９分別：表敢用戶和商品的＇潛在特征矩陣和ｇ分剔代＿．??用戶和商品的數(shù)＿簡單起見，本章在兩個學(xué)習(xí)組件中將用戶和商品的潛在特征表示??限制為相同的維度。與文本數(shù)據(jù)不同ｓ交苴數(shù)據(jù)沒有可用于場舉感知的信息（如文本??語義等），因此基于交互數(shù)據(jù)的特征學(xué)習(xí)使用逐元素（Ｅｌｅｍｅｎｔ－Ｗｉｓｅ）乘積運(yùn)算來提取??？替在向量Ｐｕ和ｑ，中未包含的基于交互的潛在特征。??ｅＳ?＝?Ｐ？？ｑ＊．?（３－２４）??與公式３．２０相似，基于交瓦數(shù)據(jù)的特征學(xué)習(xí)組件為用戶商品對構(gòu)建場景感知的潛??在特征示．，細(xì)節(jié)如下所示：??Ｚｉｎｔｅｒａｃｔｉｏｎ?＝?？?Ｐ？?？?＜１＊］?（３．２５）??圖３．３描述了基于交互數(shù)據(jù)的特征學(xué)習(xí)組件得到基于用戶和商品的聯(lián)合潛在表達(dá)??的孝：習(xí)■過程ｓ向量ＺｆｅｌｔＥ＿ｔｏａ被送進(jìn)分解機(jī)用于預(yù)測用戶＿對茼品的評分??３．２．４?融合層??前文描述的兩個學(xué)習(xí)組件分別從兩個不同的信息源中對用戶和商品對提取了具有??場景感知能力的潛在特征表：私可以合理的估計(jì)，兩個組件的集成可以實(shí)現(xiàn)相互之間??的補(bǔ)充，并在評分預(yù)測任務(wù)上達(dá)到更好的預(yù)測精度。．一個簡單且常用的解決方案是使??用線性插值的方式合并兩種學(xué)習(xí)組件。??＝?ａｙｕ，ｉ（ｚｒｅｖｉｅｗ）?＋?（１?—?（ｚ?ｉｎｔｅｒａｃｔｉｏｎ）?＋?＆？?＋?ｈ．?（３．２６）??－２９－??

【參考文獻(xiàn)】：
期刊論文
[1]基于隱式反饋數(shù)據(jù)的個性化游戲推薦[J]. 俞東進(jìn),陳聰,吳建華,陳耀旺.  電子學(xué)報(bào). 2018(11)
[2]面向大規(guī)模圖像分類的深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學(xué)報(bào). 2018(04)

博士論文
[1]實(shí)時競價廣告中的建模與決策優(yōu)化[D]. 任侃.上海交通大學(xué) 2019



本文編號：3587445