融合用户和物品信息的个性化推荐算法研究

发布时间：2021-01-04 05:57

　　随着人工智能、移动互联网等技术的迅速发展,信息化的革新给人们生活带来极大便利的同时也经常使用户不知所措。近年来,推荐系统已被证明是解决信息过载问题的有效手段,因而得到了广泛的研究。近年来,混合推荐算法因融合多种算法能改善单一算法的缺点而得到了广泛的研究。其普遍引入用户和物品的辅助信息来缓解该领域常面临的数据稀疏和冷启动问题,而利用辅助信息的关键挑战是有效的对特征之间的交互关系进行建模。近年来大量研究利用深度神经网络来学习特征之间的非线性交互关系。但是目前的研究没有考虑区别对待不同特征之间的交互关系,且模型结构还存在不够完善的问题。此外,知识图谱也作为辅助信息的来源之一,目前的相关研究没有关注到浅层特征之间的低阶线性交互关系。针对以上不足,本文展开了深入的研究工作。本文完成的主要研究工作如下:1.深入研究了现有的基于FM的深度网络推荐算法和基于知识图谱的推荐算法,针对现有研究中存在的优缺点进行了相应的分析和总结。2.基于深度神经网络学习特征之间交互关系的思想,提出了一种新的特征交互网络模型——DPN。目前大多数深度神经网络没有考虑区别对待不同特征之间的交互关系。为了突出重要特征的交互关系... 

【文章来源】： 方小妹 电子科技大学

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

用户和广告的交互信息以及属性特征

电子科技大学硕士学位论文162.3多层感知机(MLP)多层感知机(MultilayerPerceptron，MLP)[81]拥有广泛的应用场景[28][31]。MLP已被证明可拟合复杂的函数，或解决分类问题，是一种通用的函数近似方法[82]。MLP是一种简单的深度神经网络，包含输入输出层以及中间的多个隐藏层。如图2-4所示，是一个最简单的3层结构MLP。123InputlayerhiddenlayeroutputlayerXW(+)Y神经元模型图2-4MLP结构图[81]从图2-4可以看到，MLP中层与层之间是全连接的，最底层是输入层，中间是隐藏层，最后是输出层。假设输入层用向量X表示，则隐藏层的输出如公式(2-9)所示。1=(1+1)(29)其中1是第一层神经元之间的权重向量，1是第一层神经元的偏置向量。函数可以是常用的Sigmoid函数、Tanh函数或者Relu函数，如图2-5所示。（a）（b）图2-5激活函数。(a)Sigmoid函数和Tanh函数；(b)Relu函数

电子科技大学硕士学位论文403.6.1隐因子维度分析如图3-6所示，研究了隐因子不同维度的设置对DPFM模型的影响。图3-6隐因子对模型的影响从图3-6可以看到随着隐因子的维度适当增大模型的推荐效果有相应的提升，这是因为Frappe数据集和MovieLens-Latest数据集中用户和物品的特征数量较少，适当增加隐因子的维度可以挖掘数据中更多的特征交互信息，然而当隐因子维度增加到512后，模型的推荐效果逐渐下降，这是因为维度越大，参数过多，容易造成模型的过拟合。当隐因子维度为128时，模型参数训练较少且推荐效果较好，在保持推荐效果的同时提升模型的收敛速度。3.6.2网络层数分析如图3-7所示，研究了网络层数的设置对DPFM模型的影响。图3-7网络层数对模型的影响


本文编号：2956277