基于自注意力机制的混合推荐模型的研究与应用
发布时间：2021-11-03 21:47
推荐系统在现代网络服务中发挥着越来越重要的作用。传统的推荐模型尽管应用前景广阔,但仍面临一些挑战:1)当能够获取到的评分信息非常稀少时,模型容易遭受数据稀疏性和冷启动问题。2)传统的推荐模型都是浅层模型,无法学习到用户和项目的深层次特征。3)模型的基本假设是潜在向量各个元素对模型的预测结果的权重相同,会导致用户-物品间重点关系表达不显著。与传统的推荐模型相比,深度学习模型可以自动捕捉数据本身内部错综复杂的关系,挖掘到用户和项目特征。同时它还可以有效捕捉用户和项目的非线性历史交互,能够获取更复杂抽象的高阶交互特征表示。受人类视觉注意力的启发,研究学者们提出了注意力机制理论。它使神经网络只专注输入特征中重要的部分,也就是给重要的特征赋予更高的权重。这样模型不仅能够捕获用户和项目间的重要组合特征,而且各个特征的权重值还可以可视化,使得在推荐任务中,模型具有优秀的可解释性。因此,本文将结合注意力机制和深度学习的优势,提出一种基于自注意力机制的混合推荐算法。本文在以下四个方面对推荐系统做了创新性研宄:（1）如何将多源异构辅助信息融合到推荐系统中。在现有的大部分研究工作中,都是采用多层全连接神经网...
【文章来源】：上海交通大学上海市 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】：
推荐系统工作原理图
上海交通大学工程硕士学位论文第二章8反馈数据。但是隐式反馈数据也存在缺陷，隐式反馈一般都是二元的，一个没有交互的项目的语义不是很清晰，系统无法判断是用户讨厌这个项目还是用户没有接触过这个项目，2.2推荐系统算法的类别推荐系统中算法经过多年不断的发展，逐渐形成了一个类别划分标准。目前，推荐算法被划分成三个大类，具体的分类情况如图2-2所示。图2-2推荐算法分类Fig.2-2Classificationofrecommendedalgorithms2.2.1基于内容的推荐算法算法的核心思想是假如用户曾经交互过某个项目，那么认为用户会对和这个项目内容上相似的项目感兴趣，这是一种项目到项目关联的方法，它关注的是项目本身的内容属性。首先从得到的反馈数据中获取用户交互过的项目，项目一般被表述为文本的形式，采用文本特征提取技术（如：TF-IDF[29]）从项目的内容文本中抽取关键特征作为用户的偏好特征，然后提取候选项目的内容特征，然后匹配偏好特征与内容特征的相似度，最后将相似度值降序排列，将排在前N项候选项目推荐给用户。其算法构建的过程一般包括以下几个步骤：1）获取用户偏好特征。系统会通过用户的历史交互过的项目，抽取项目的关键特征信息，然后按照一定的方式构建用户的偏好特征。2）获取候选项目特征。当有新的候选项目加入系统时，系统会采用相关的
上海交通大学工程硕士学位论文第二章10图2-3基于用户的协同过滤的电影推荐Fig.2-3Movierecommendationbasedonusercollaborativefiltering2．基于项目的协同过滤算法的基本理论是不同的项目在评分上很接近时，认为这些项目具有相似性，目标用户会对和历史交互过的项目相似的项目感兴趣。算法的目的是给用户推荐和他偏好的项目相似的项目，它与基于内容的推荐算法的最大区别在于计算项目之间的相似性时采用的信息不同，基于内容的推荐采用的是项目本身的内容描述信息和一些属性信息，而基于项目的协同过滤采用的是用户对项目的评分矩阵。图2-4给出了基于项目的协同过滤实例说明，从图中可知，电影A和电影C同时被用户甲和用户乙偏爱，电影B只有用户乙感兴趣，算法认为电影A在一定程度上相似于电影C，于是当电影A被用户丙喜欢时，则认为电影C也会被用户丙喜欢，所以将电影C推荐给用户丙。图2-4基于项目的协同过滤的电影推荐Fig.2-4MovierecommendationbasedonItemcollaborativefiltering
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]利用word2vec对中文词进行聚类的研究[J]. 郑文超,徐鹏. 软件. 2013(12)
[3]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[4]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏. 自然科学进展. 2009(01)
硕士论文
[1]基于语义的个性化推荐模型研究[D]. 李祉莹.北京邮电大学 2015
[2]面向分布式异构数据源的个性化推荐系统的研究与实现[D]. 吴天龙.哈尔滨工业大学 2013
本文编号：3474397
【文章来源】：上海交通大学上海市 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】：
推荐系统工作原理图
上海交通大学工程硕士学位论文第二章8反馈数据。但是隐式反馈数据也存在缺陷，隐式反馈一般都是二元的，一个没有交互的项目的语义不是很清晰，系统无法判断是用户讨厌这个项目还是用户没有接触过这个项目，2.2推荐系统算法的类别推荐系统中算法经过多年不断的发展，逐渐形成了一个类别划分标准。目前，推荐算法被划分成三个大类，具体的分类情况如图2-2所示。图2-2推荐算法分类Fig.2-2Classificationofrecommendedalgorithms2.2.1基于内容的推荐算法算法的核心思想是假如用户曾经交互过某个项目，那么认为用户会对和这个项目内容上相似的项目感兴趣，这是一种项目到项目关联的方法，它关注的是项目本身的内容属性。首先从得到的反馈数据中获取用户交互过的项目，项目一般被表述为文本的形式，采用文本特征提取技术（如：TF-IDF[29]）从项目的内容文本中抽取关键特征作为用户的偏好特征，然后提取候选项目的内容特征，然后匹配偏好特征与内容特征的相似度，最后将相似度值降序排列，将排在前N项候选项目推荐给用户。其算法构建的过程一般包括以下几个步骤：1）获取用户偏好特征。系统会通过用户的历史交互过的项目，抽取项目的关键特征信息，然后按照一定的方式构建用户的偏好特征。2）获取候选项目特征。当有新的候选项目加入系统时，系统会采用相关的
上海交通大学工程硕士学位论文第二章10图2-3基于用户的协同过滤的电影推荐Fig.2-3Movierecommendationbasedonusercollaborativefiltering2．基于项目的协同过滤算法的基本理论是不同的项目在评分上很接近时，认为这些项目具有相似性，目标用户会对和历史交互过的项目相似的项目感兴趣。算法的目的是给用户推荐和他偏好的项目相似的项目，它与基于内容的推荐算法的最大区别在于计算项目之间的相似性时采用的信息不同，基于内容的推荐采用的是项目本身的内容描述信息和一些属性信息，而基于项目的协同过滤采用的是用户对项目的评分矩阵。图2-4给出了基于项目的协同过滤实例说明，从图中可知，电影A和电影C同时被用户甲和用户乙偏爱，电影B只有用户乙感兴趣，算法认为电影A在一定程度上相似于电影C，于是当电影A被用户丙喜欢时，则认为电影C也会被用户丙喜欢，所以将电影C推荐给用户丙。图2-4基于项目的协同过滤的电影推荐Fig.2-4MovierecommendationbasedonItemcollaborativefiltering
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]利用word2vec对中文词进行聚类的研究[J]. 郑文超,徐鹏. 软件. 2013(12)
[3]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[4]个性化推荐系统的研究进展[J]. 刘建国,周涛,汪秉宏. 自然科学进展. 2009(01)
硕士论文
[1]基于语义的个性化推荐模型研究[D]. 李祉莹.北京邮电大学 2015
[2]面向分布式异构数据源的个性化推荐系统的研究与实现[D]. 吴天龙.哈尔滨工业大学 2013
本文编号：3474397
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3474397.html
