基于属性注意力神经矩阵分解的推荐算法和应用
发布时间：2021-01-29 19:22
推荐系统是各类电子商务网站采取的一个提高网站各类信息浏览量的措施,它向客户提供商品信息和建议,帮助用户找到其可能感兴趣的产品,模拟销售人员帮助客户完成购买过程。其中,个性化推荐是网站根据其用户的用户资料、兴趣特点和购买行为,构建推荐模型,基于此模型向用户推荐用户感兴趣的信息和商品。矩阵分解（Matrix Factorization,MF）是推荐系统领域中最直观,最有效的方法之一。它将稀疏的（用户,物品）交互映射到稠密的特征点积中,这使得矩阵分解模型具有很强的泛化能力。为了充分利用这种特性,最近的许多工作开始使用用户和物品的辅助信息。尽管很多工作在引入辅助信息后确实获得了模型性能上的提高,这种直接的加入辅助信息做法仍然存在不合理性。在本文的工作中,本文提出了一个名为AANMF的新型推荐系统算法模型,它是Attribute-aware Attentional Neural Matrix Factorization的简称。AANMF结合了两个主要的部分:即基于神经网络的矩阵分解结构（用于用户物品特征内积的建模）,以及基于注意力机制的属性处理单元（用于控制辅助信息,特别是用户物品属性）,能够有...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
用户-物品交互矩阵的举例
华南理工大学硕士学位论文10中最热门的物品（仅推荐目标用户尚未交互过的物品）。图2-2UB-CF的主要流程值得注意的是，在计算用户之间的相似性时，应仔细考虑“公共交互”的数量，即满足相同交互的个数。在大多数情况下，要避免这种情况：与目标用户仅有一个共同的交互的用户具有100％的相似度，而拥有100个共同的交互的用户与目标用户的相似度仅有98%。因此，在算法实现的时候，特别是进行相似度计算的时候有必要对交互个数进行惩罚，算法应该将拥有更多相同交互的用户是为更为相似的用户。图2-2展示了UB-CF的主要流程。灰色虚线框是目标用户的未交互物品列表。对用户-物品交互矩阵进行相似度计算后，UB-CF得到了目标用户的K个最近邻用户。对这K个最近邻用户，算法在目标用户的未交互物品列表区域寻找推荐物品。对于热门的物品（在图中表现为这K个最近邻用户大多数是喜欢的），算法趋向于把它们推荐给目标用户。基于用户的协同过滤算法具有上下文无关性、易于实现等优点。但是它也具有如下缺点：稀疏性。某些用户对物品的交互不够多，交互矩阵很稀疏。可扩展性。UB-CF涉及相似度和K近邻计算，较大的K往往能得到较好的结果，
第二章推荐系统的发展概况11但是较大的K同时会带来计算复杂度的问题。冷启动。新用户没有交互过任何物品，因此对新用户的推荐无法建立可靠的物品排序。基于物品的协同过滤IB-CF为了向用户提出新建议，IB-CF方法的思想是找到与用户已经“积极”交互过的物品（比如评分高的商品）相似的物品。对于两个物品来说，如果大多数的用户对它们进行过类似的交互行为（点赞/差评），则这两个物品被认为是相似的。这种方法被称为基于物品的协同过滤，因为它根据用户与它们之间的交互来表示物品，并评估这些物品之间的距离。假设要给某个特定的用户提出建议。首先，IB-CF会找到该用户最喜欢的商品，并通过其与每个用户的交互向量（交互矩阵中的“列”）来表示该商品（与其他所有商品一样），这里称该物品为目标用户的“最佳物品”。然后，IB-CF计算“最佳物品”与所有其他物品之间的相似度。一旦计算出相似度，就可以将K个邻居物品保持在选定的“最佳物品”上，这目标用户来说是新的，IB-CF会将这些物品作为结果推荐给用户。类似的，图2-3展示了这个过程。图2-3IB-CF的主要流程与基于用户的协同过滤推荐算法不同，基于物品的推荐算法是基于用户-物品交互的相似项搜索。通常来说，由于许多用户已经与物品进行了交互，因此邻域搜索对单个交
本文编号：3007461
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
用户-物品交互矩阵的举例
华南理工大学硕士学位论文10中最热门的物品（仅推荐目标用户尚未交互过的物品）。图2-2UB-CF的主要流程值得注意的是，在计算用户之间的相似性时，应仔细考虑“公共交互”的数量，即满足相同交互的个数。在大多数情况下，要避免这种情况：与目标用户仅有一个共同的交互的用户具有100％的相似度，而拥有100个共同的交互的用户与目标用户的相似度仅有98%。因此，在算法实现的时候，特别是进行相似度计算的时候有必要对交互个数进行惩罚，算法应该将拥有更多相同交互的用户是为更为相似的用户。图2-2展示了UB-CF的主要流程。灰色虚线框是目标用户的未交互物品列表。对用户-物品交互矩阵进行相似度计算后，UB-CF得到了目标用户的K个最近邻用户。对这K个最近邻用户，算法在目标用户的未交互物品列表区域寻找推荐物品。对于热门的物品（在图中表现为这K个最近邻用户大多数是喜欢的），算法趋向于把它们推荐给目标用户。基于用户的协同过滤算法具有上下文无关性、易于实现等优点。但是它也具有如下缺点：稀疏性。某些用户对物品的交互不够多，交互矩阵很稀疏。可扩展性。UB-CF涉及相似度和K近邻计算，较大的K往往能得到较好的结果，
第二章推荐系统的发展概况11但是较大的K同时会带来计算复杂度的问题。冷启动。新用户没有交互过任何物品，因此对新用户的推荐无法建立可靠的物品排序。基于物品的协同过滤IB-CF为了向用户提出新建议，IB-CF方法的思想是找到与用户已经“积极”交互过的物品（比如评分高的商品）相似的物品。对于两个物品来说，如果大多数的用户对它们进行过类似的交互行为（点赞/差评），则这两个物品被认为是相似的。这种方法被称为基于物品的协同过滤，因为它根据用户与它们之间的交互来表示物品，并评估这些物品之间的距离。假设要给某个特定的用户提出建议。首先，IB-CF会找到该用户最喜欢的商品，并通过其与每个用户的交互向量（交互矩阵中的“列”）来表示该商品（与其他所有商品一样），这里称该物品为目标用户的“最佳物品”。然后，IB-CF计算“最佳物品”与所有其他物品之间的相似度。一旦计算出相似度，就可以将K个邻居物品保持在选定的“最佳物品”上，这目标用户来说是新的，IB-CF会将这些物品作为结果推荐给用户。类似的，图2-3展示了这个过程。图2-3IB-CF的主要流程与基于用户的协同过滤推荐算法不同，基于物品的推荐算法是基于用户-物品交互的相似项搜索。通常来说，由于许多用户已经与物品进行了交互，因此邻域搜索对单个交
本文编号：3007461
本文链接：https://www.wllwen.com/jingjilunwen/xmjj/3007461.html
