基于注意力机制的深度协同过滤推荐算法研究
发布时间：2021-11-22 18:38
传统的协同过滤推荐算法通过分析用户的行为数据,挖掘用户的行为模式,对用户的兴趣进行建模,根据用户的兴趣偏好为目标用户推荐可能喜欢的物品,引导用户从大量选项中发现他们可能感兴趣的产品或服务。然而在计算项目之间相似度时只考虑历史项目的评分,而忽略了历史项目偏好对其的影响,以致于推荐精度不够理想,缺少个性化服务,推荐的可解释性较差。针对上述问题,提出了一种结合注意力机制和深度学习的电影推荐算法。考虑到传统的协同过滤缺少个性化的推荐,引入注意力机制分配个性化权重,使用多层感知器学习注意力,增加系统的灵活性和非线性。针对只有二进制0或1的隐性反馈问题,对用户历史偏好设计了项目级和特征级的注意力机制框架。首先,在特征级注意力框架上,从项目内容特征提取网络开始,学习项目特征的偏好;其次,将项目特征偏好与项目特征加权得到项目内容特征向量;最后,在项目级特征注意力框架中,通过项目内容特征向量学习对项目偏好的评分,从而产生最终的推荐结果。在MovieLens 100K和MovieLens 1M两个公开数据集的实验结果表明,本文算法提高了相似性计算的精度,同时在推荐准确率上较传统算法均有不同程度的提高,而且...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
搜索引擎和推荐系统获取信息的方式
辽宁工程技术大学硕士学位论文4图1.2传统推荐技术分类Figure1.2Classificationoftraditionalrecommendationtechnology协同过滤在计算机交互、机器学习和信息检索方面被广泛使用。在YouTube中，推荐信息占主页的视频点击次数约为60％[12]。Netflix的首席产品官NeilHunt指出，推荐系统为大约80％的电影做出了准确推荐，每年的商业价值超过10亿美元[13]。以Snapchat为例，它是国外最受欢迎的基于视频的社交应用之一。在阅读这段文字的时候，5万个视频片段被分享，2400万个视频被观看。由此可见，主导的Web多媒体内容需要现代的推荐系统，特别是基于协同过滤（CF）的系统，在高度动态的环境中可以为用户提供大量的多媒体内容。在计算机科学之外，推荐系统在为电商增加销售额和改善用户体验方面做出了巨大努力，并且被应用到了诸多领域。RecSys（ACMConferenceonRecommenderSystem）会议上最常使用的场景为：电子商务、视频电影、在线音乐、互联网广告等，为业界研究和推荐系统的应用提供了重要实验场景。传统的推荐算法往往只重视推荐的准确性，而近几年，越来越多的推荐算法开始关注推荐结果的可解释性，希望能与用户产生沟通交流，以用户更容易接受的方式展示推荐的结果。像酷狗音乐，就会在每一个推荐曲目下用一句话解释用户为什么会得到这样的推荐结果，如图1.3所示。
辽宁工程技术大学硕士学位论文82相关理论2.1推荐系统外围架构简介推荐系统与用户行为日志存储系统、UI（UserInterface）系统、日志系统相互联系共同为用户提供服务。UI系统为用户提供页面展示并与用户交换信息，用户通过UI系统与日志系统联系，将用户与UI系统的全部交互信息记录到用户行为日志存储系统中，而推荐系统通过分析用户行为产成推荐列表，并将其反馈给UI系统供用户交互选择，如图2.1所示。图2.1推荐系统的外围架构Figure2.1Peripheralarchitectureoftherecommendersystem从上图可以看到，除了推荐系统本身，UI展示系统和用户行为数据也十分重要。UI系统可以为用户展示推荐物品的物品标题、缩略图、简介等并给出推荐理由。推荐系统根据用户的行为数据产生推荐，在交互式系统中用户的行为数据较多。因此在不同场景下，数据量也有所不同，如活跃用户的数据量明显多于冷启动用户，活跃用户产生的行为较为丰富，如购买历史、收藏夹、足迹、评论等，而冷启动用户不存在历史记录。图2.2用户和物品之间的关系Figure2.2Relationshipbetweenusersanditems
【参考文献】：
期刊论文
[1]融合注意力机制的深度协同过滤推荐算法[J]. 王永贵,尚庚. 计算机工程与应用. 2019(13)
[2]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[3]融合元数据及attention机制的深度联合学习推荐[J]. 张全贵,李志强,张新新,曹志强. 计算机应用研究. 2019(11)
[4]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)
[5]基于视频内容检测的协同过滤视频推荐系统[J]. 梁建胜,黄隆胜,徐淑琼. 控制工程. 2018(02)
[6]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[7]基于聚类层次模型的视频推荐算法[J]. 金亮,于炯,杨兴耀,鲁亮,王跃飞,国冰磊,廖彬. 计算机应用. 2017(10)
[8]基于集成局部性特征学习的推荐算法[J]. 庄福振,罗丹,何清. 计算机科学与探索. 2018(06)
[9]融合社交网络特征的协同过滤推荐算法[J]. 郭宁宁,王宝亮,侯永宏,常鹏. 计算机科学与探索. 2018(02)
[10]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
硕士论文
[1]基于改进聚类和矩阵分解的协同过滤推荐算法研究[D]. 宋真真.辽宁工程技术大学 2018
[2]基于置信度加权的单类协同过滤推荐算法研究[D]. 王佳伟.辽宁工程技术大学 2018
[3]基于图论的组推荐算法优化与研究[D]. 张桢.北京理工大学 2016
[4]电子商务协同过滤推荐算法的优化研究[D]. 王海燕.河北工程大学 2016
[5]融合信任关系的二重聚类推荐算法研究[D]. 唐同龙.郑州大学 2016
本文编号：3512242
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
搜索引擎和推荐系统获取信息的方式
辽宁工程技术大学硕士学位论文4图1.2传统推荐技术分类Figure1.2Classificationoftraditionalrecommendationtechnology协同过滤在计算机交互、机器学习和信息检索方面被广泛使用。在YouTube中，推荐信息占主页的视频点击次数约为60％[12]。Netflix的首席产品官NeilHunt指出，推荐系统为大约80％的电影做出了准确推荐，每年的商业价值超过10亿美元[13]。以Snapchat为例，它是国外最受欢迎的基于视频的社交应用之一。在阅读这段文字的时候，5万个视频片段被分享，2400万个视频被观看。由此可见，主导的Web多媒体内容需要现代的推荐系统，特别是基于协同过滤（CF）的系统，在高度动态的环境中可以为用户提供大量的多媒体内容。在计算机科学之外，推荐系统在为电商增加销售额和改善用户体验方面做出了巨大努力，并且被应用到了诸多领域。RecSys（ACMConferenceonRecommenderSystem）会议上最常使用的场景为：电子商务、视频电影、在线音乐、互联网广告等，为业界研究和推荐系统的应用提供了重要实验场景。传统的推荐算法往往只重视推荐的准确性，而近几年，越来越多的推荐算法开始关注推荐结果的可解释性，希望能与用户产生沟通交流，以用户更容易接受的方式展示推荐的结果。像酷狗音乐，就会在每一个推荐曲目下用一句话解释用户为什么会得到这样的推荐结果，如图1.3所示。
辽宁工程技术大学硕士学位论文82相关理论2.1推荐系统外围架构简介推荐系统与用户行为日志存储系统、UI（UserInterface）系统、日志系统相互联系共同为用户提供服务。UI系统为用户提供页面展示并与用户交换信息，用户通过UI系统与日志系统联系，将用户与UI系统的全部交互信息记录到用户行为日志存储系统中，而推荐系统通过分析用户行为产成推荐列表，并将其反馈给UI系统供用户交互选择，如图2.1所示。图2.1推荐系统的外围架构Figure2.1Peripheralarchitectureoftherecommendersystem从上图可以看到，除了推荐系统本身，UI展示系统和用户行为数据也十分重要。UI系统可以为用户展示推荐物品的物品标题、缩略图、简介等并给出推荐理由。推荐系统根据用户的行为数据产生推荐，在交互式系统中用户的行为数据较多。因此在不同场景下，数据量也有所不同，如活跃用户的数据量明显多于冷启动用户，活跃用户产生的行为较为丰富，如购买历史、收藏夹、足迹、评论等，而冷启动用户不存在历史记录。图2.2用户和物品之间的关系Figure2.2Relationshipbetweenusersanditems
【参考文献】：
期刊论文
[1]融合注意力机制的深度协同过滤推荐算法[J]. 王永贵,尚庚. 计算机工程与应用. 2019(13)
[2]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[3]融合元数据及attention机制的深度联合学习推荐[J]. 张全贵,李志强,张新新,曹志强. 计算机应用研究. 2019(11)
[4]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)
[5]基于视频内容检测的协同过滤视频推荐系统[J]. 梁建胜,黄隆胜,徐淑琼. 控制工程. 2018(02)
[6]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[7]基于聚类层次模型的视频推荐算法[J]. 金亮,于炯,杨兴耀,鲁亮,王跃飞,国冰磊,廖彬. 计算机应用. 2017(10)
[8]基于集成局部性特征学习的推荐算法[J]. 庄福振,罗丹,何清. 计算机科学与探索. 2018(06)
[9]融合社交网络特征的协同过滤推荐算法[J]. 郭宁宁,王宝亮,侯永宏,常鹏. 计算机科学与探索. 2018(02)
[10]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
硕士论文
[1]基于改进聚类和矩阵分解的协同过滤推荐算法研究[D]. 宋真真.辽宁工程技术大学 2018
[2]基于置信度加权的单类协同过滤推荐算法研究[D]. 王佳伟.辽宁工程技术大学 2018
[3]基于图论的组推荐算法优化与研究[D]. 张桢.北京理工大学 2016
[4]电子商务协同过滤推荐算法的优化研究[D]. 王海燕.河北工程大学 2016
[5]融合信任关系的二重聚类推荐算法研究[D]. 唐同龙.郑州大学 2016
本文编号：3512242
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3512242.html
