融合多因素信息的神经协同过滤推荐模型研究

发布时间：2022-02-22 10:33

　　推荐系统（Recommendation System,简称RS）利用用户-项目历史交互记录来学习用户潜在个性化偏好以及项目潜在属性特征,从而帮助用户准确快速地定位到目标内容信息。协同过滤是在推荐领域应用中应用最早、影响范围最广泛的方法,其中,矩阵分解算法是协同过滤推荐中最具有代表性的算法,矩阵分解技术将用户和项目的信息映射到同一维度的潜在因子向量空间中,通过内积的形式来结合用户以及项目的潜在特征,然而通过内积来拟合用户偏好与项目特征之间的关系在一定程度上限制了模型的表现力。神经协同过滤使用神经网络结构来建模用户和项目的潜在特征,神经网络结构代替内积,可以从数据之中学习任意函数,突破了内积所带来的限制,从而提高了模型的非线性建模能力。辅助信息在推荐系统完善用户-项目交互起着至关重要的作用,如能将更多的辅助信息引入到神经协同过滤模型中,则可以从更多的维度完善项目的属性特征,建立更具语义、更准确、更个性化、有效缓解冷启动问题的推荐模型。如,邻域信息在电影推荐中可以帮助用户发现新的题材或新演员及导演的电影,基于邻域信息的方法通常简单、有效,并且能够提供准确及个性化的推荐,而广泛用于协同过滤推荐... 

【文章来源】：重庆大学重庆市211工程院校985工程院校教育部直属院校

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
中文摘要
英文摘要
1 绪论
    1.1 研究背景和意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究目标和研究内容
    1.3 本文的结构安排
2 推荐领域相关知识
    2.1 推荐系统中面临的问题
    2.2 研究的相关知识和工作
        2.2.1 卷积神经网络
        2.2.2 词嵌入技术
    2.3 本章小结
3 神经协同过滤
    3.1 矩阵分解
        3.1.1 矩阵分解技术
        3.1.2 内积的局限性
    3.2 神经协同过滤
        3.2.1 神经协同过滤通用框架
        3.2.2 广义矩阵分解(General Matrix Factorization,GMF)
        3.2.3 多层感知器(Multi-Layer Perceptron,MLP)
        3.2.4 神经矩阵分解(Neural Matrix Factorization,NeuMF)
    3.3 本章小结
4 融合文本、标签与邻域信息的神经协同过滤
    4.1 邻域信息
    4.2 标签信息
    4.3 文本特征的提取
    4.4 模型框架与训练
        4.4.1 模型框架
        4.4.2 模型训练
    4.5 本章小结
5 实验结果和分析
    5.1 实验数据集及实验设置
        5.1.1 实验数据集
        5.1.2 预处理
        5.1.3 实验设置
    5.2 评价指标体系
    5.3 与其他推荐方法的比较
    5.4 实验结果和分析
        5.4.1 完全冷启动场景下的性能评价
        5.4.2 非完全冷启动场景下的性能评价
        5.4.3 一般场景下的性能评价
    5.5 本章小结
6 工作总结和展望
    6.1 工作总结
    6.2 工作展望
参考文献
附录
    A. 作者在攻读学位期间成果目录
    B.作者在攻读学位期间参加的项目
    C.学位论文数据集
致谢


【参考文献】：
期刊论文
[1]基于矩阵填充和物品可预测性的协同过滤算法[J]. 潘涛涛,文锋,刘勤让.  自动化学报. 2017(09)
[2]融合类别信息和用户兴趣度的协同过滤推荐算法[J]. 何明,肖润,刘伟世,孙望.  计算机科学. 2017(08)
[3]基于SVD与模糊聚类的协同过滤推荐算法[J]. 林建辉,严宣辉,黄波.  计算机系统应用. 2016(11)
[4]基于隐语义模型的协同过滤图书推荐方法[J]. 孙艳,朱玉全,陈耿.  信息技术. 2015(11)
[5]基于用户声誉的鲁棒协同推荐算法[J]. 张燕平,张顺,钱付兰,张以文.  自动化学报. 2015(05)
[6]一种改进的slope one推荐算法研究[J]. 柴华,刘建毅.  信息网络安全. 2015(02)
[7]分步填充缓解数据稀疏性的协同过滤算法[J]. 张玉芳,代金龙,熊忠阳.  计算机应用研究. 2013(09)



本文编号：3639276