基于注意力模型的推荐算法研究

发布时间：2021-01-21 09:57

　　推荐算法向用户推荐符合用户喜好的商品,使商家获得更多的利益,让用户有更好的使用体验。常见的推荐算法通过协同过滤的过程,根据用户对商品的评分历史,寻找具有相似喜好的用户,进行相互推荐。但有时用户的评分并不能准确地代表用户的喜爱程度,因为每个人评价标准不同,所以用户的评分行为存在差异,导致推荐效果不佳。本文提出一种基于注意力模型的推荐算法（Attention-Based Recommendation Algorithm,ABRA）。通过构建情感注意力模型,分析用户的评论,对用户的评论进行情感分析及情感极性鉴定。为了能够识别用户情感,将注意力模型加入循环神经网络中,利用情感词典判断每个词语的情感倾向值,通过训练使模型具有识别情感词的能力。在情感注意力模型训练的过程中,不仅拟合情感分类的结果,而且模型隐藏层节点的注意力权重拟合情感词典中词语的情感倾向值,从而为模型生成情感特征向量。提出的上下文注意力模型使单词的状态由窗口大小为w的上下文状态决定,达到充分利用上下文信息的目的。本文将情感注意力模型应用在推荐系统中,但是并不是每一条用户项目评分矩阵中的记录都需要被更新。因此提出评分更正门,判断用户... 

【文章来源】：哈尔滨工程大学黑龙江省 211工程院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

循环神经网络图2.1是一个典型的循环神经网络

还取决于上一次隐藏层的值 s。将循环神经网络的循环体展开得到如图 2.2 所示的结构：图 2.2 循环神经网络展开图图2.2更清晰地表示循环神经网络的结构，循环神经在每一时刻都会有一个输入tx ，隐藏层的状态是ts ，输出是to ，而且ts 的值不仅仅取决于tx ，还取决于t1s ，通过下面的过程实现循环神经网络的计算：( )t to =g Vs(2-18)1( )t t ts f Ux Ws = +(2-19)式（2-18）是输出层的计算公式，输出层是全连接层，每个节点都与隐层节点相连。V 是权重矩阵

图 2.4 GRU 结构图两个部分构成：：更新门控制前一时刻隐层的输出对当前隐层的影响程度刻的隐藏、层输出对当前隐层的影响越大。更新门的计算1( [ , ])t z t tz σW h x = 刻 t 处 GRU 单元的输入状态，t1h 表示 t 1时刻的隐层状态状态tx 和前一时刻 t-1 时刻的隐层状态t1h 做线性变换，并在 0 到 1 之间。：重置门控制着前一时刻的信息被忽略的程度大小，重置置门的计算方式如下：计算公式如下所示：1( [ , ])t r t tr σW h x = 刻 t 处 GRU 单元的输入状态，t1h 表示 t-1 时刻的隐层状

【参考文献】：
期刊论文
[1]基于情景上下文与信任关系的旅游景点推荐算法[J]. 沈记全,王磊,侯占伟,薛霄.  计算机应用研究. 2018(12)
[2]改进Pearson相关系数的个性化推荐算法[J]. 陈功平,王红.  山东农业大学学报(自然科学版). 2016(06)
[3]采用连续词袋模型（CBOW）的领域术语自动抽取研究[J]. 姜霖,王东波.  现代图书情报技术. 2016(02)
[4]一种改进的BP神经网络在手写体识别上的应用[J]. 薛皓天,杨晶东,谈凯德.  电子科技. 2015(05)
[5]基于用户近邻约束的矩阵因子分解算法[J]. 查九,李振博,徐桂琼.  计算机技术与发展. 2015(06)
[6]随机梯度下降法的收敛速度(英文)[J]. 汪宝彬,戴济能.  数学杂志. 2012(01)
[7]基于加权余弦相似度的XML文档聚类研究[J]. 李巍,孙涛,陈建孝,罗梓恒,李雄飞.  吉林大学学报(信息科学版). 2010(01)

硕士论文
[1]基于深度学习的电影推荐系统研究与实现[D]. 王建洋.西南交通大学 2018
[2]基于互联网用户特征的商品推荐系统研究[D]. 黄鹏.东华大学 2014



本文编号：2990947