基于多种辅助信息融合的推荐算法研究

发布时间：2023-02-12 15:21

　　由于协同过滤技术的有效性和简单性,协同过滤技术成为现代推荐系统中的主流方法,但是协同过滤算法容易受到评分矩阵稀疏和冷启动问题的负面影响。研究发现引入物品的辅助信息可以缓解协同过滤技术面临的上述问题。对于物品的了解也将有助于对于用户自身偏好的了解,然而大部分工作仅能使用单一类型的辅助信息,这将导致对于用户自身偏好的理解不够准确。有效地利用物品的多种辅助信息可以更好地了解用户的自身偏好,具有重要的研究意义。在已有研究的基础上,本文针对前人研究的不足做出如下工作:1)多种信息的融合。提出多信息变分自编码器来获取融合多种辅助信息的深层潜在表示,通过有效地变分推理,多种辅助信息融合的任务被转化为推断可以生成多种辅助信息的潜在随机分布,实现了多种辅助信息的紧耦合;2)将融合多种信息的知识用于推荐任务。提出可以运用物品的多种辅助信息来进行推荐的协同多辅助信息变分自编码器,通过构建概率图模型并使用高效的贝叶斯推理,融合多种辅助信息的潜在表示以及用户和物品的潜在表示在潜在空间中协同地进行训练,实现了多种信息融合任务与推荐任务的紧耦合。在实验结果分析部分,将本文提出的算法与以往算法在两个真实数据集上的性能...

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 论文的主要内容
    1.4 论文的组织结构
第二章 相关知识介绍
    2.1 推荐系统简介
    2.2 基于协同过滤的推荐算法
        2.2.1 协同过滤的基本思想
        2.2.2 协同过滤推荐算法
        2.2.3 概率矩阵分解
    2.3 自编码器技术
        2.3.1 自编码器
        2.3.2 变分自编码器
    2.4 本章小结
第三章 基于多种辅助信息融合的推荐算法
    3.1 多种信息融合模型
        3.1.1 生成模型
        3.1.2 模型推理
        3.1.3 变分下界
    3.2 贪婪式逐层MVAE训练
        3.2.1 网络参数对称训练
        3.2.2 变分分布参数训练
        3.2.3 统一训练
    3.3 融合多种辅助信息的推荐算法
        3.3.1 模型推导
        3.3.2 最大化后验估计
    3.4 本章小结
第四章 实验与分析
    4.1 实验数据集及预处理方式
    4.2 实验方案和评价指标
    4.3 对比模型与实验参数设置
    4.4 实验结果与分析
        4.4.1 网络结构的确定
        4.4.2 定量对比
        4.4.3 定性对比
    4.5 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 未来工作展望
参考文献
攻读硕士期间发表的学术论文
致谢



本文编号：3741345