推荐系统中基于深度学习模型的表示学习算法研究
发布时间：2021-01-22 08:42
伴随着大数据时代的到来,推荐系统在互联网的很多领域都得到了应用,并且在逐渐改变着人们的生活。推荐系统本质上是通过一定方式将用户和项目联系起来,而这个方式可以有很多种,不同的方式构成了不同的推荐系统。不同平台对用户行为的影响构成的跨平台方式可以发展成为跨域推荐;朋友推荐的方式可以发展成为社交推荐。深度学习的方法常被用来学习图像、文本等有效的低维表示,这种表示可以用来补充或替换传统的推荐算法,比如协同过滤。本文以深度学习方法为核心,分别就跨域推荐和社交推荐问题提出不同的解决方法。本文主要创新点如下:（1）本文提出了一种跨领域推荐中基于语义特征对抗学习的表示学习算法,该算法结合了基于内容和基于迁移学习的方法,并且无需辅助域和目标域之间的用户重叠或者项目重叠。本文提出的算法解决了当前跨域推荐面临的三种挑战:通常的跨域推荐系统（CDRSs）很难找到异构信息域之间的连接关系,所以大多数关注的是同质信息域,或者假定用户是重叠的;通常的CDRSs是基于历史反馈来开发或基于在目标域中推荐不同项目来探索不确定的用户兴趣,但是他们很难在这两者之间取得平衡;通常的CDRSs因为没有针对用户或项目的历史反馈或者...
【文章来源】：湘潭大学湖南省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
推荐系统的常见应用场景
2这个方式可以有很多种，比如通过朋友推荐（社交网络），或者user的点击购买行为等，构成了各种方式的推荐系统。推荐系统的目标可分为两大类，一类是评分预测，另一类是Top-N推荐。(1)评分预测目标：推荐系统可以看作是用户对物品的打分预测问题，比如用户给自己购买过的物品打多少分，是用户对该项目偏爱的程度，如图1.2所示。评分预测应用最广泛的方法是矩阵分解，其直接或者间接的利用user-item之间的显性信息，如用户评分矩阵，矩阵中第行列的元素!"为用户对物品的喜爱程度，通常元素的取值范围为1-5分（打5分表示最喜欢，打1分表示非常不喜欢）。由于矩阵分解采用的是最小化平方损失，根据损失函数与评价指标一致原则，评分预测的指标一般采用以下两种：一种是均方根误差（RMSE），另一种是平方绝对误差（MAE）。(2)（2）Top-N推荐目标：推荐系统可以看作是给用户推荐top-N个可能最感兴趣的项目，即通过用户的隐式反馈信息来获取用户喜好，如图1.2(b)所示。在该目标下的推荐，其实也可以通过预测评分得到top-N个项目。比如通过评分预测模型得到所有项目的评分，然后根据评分的排序将top-N个高分项目推荐给用户。但top-N目标下的推荐，更应该关注的是排序方法的构建，其预测值是一个概率值，故评价指标只能是MAP和NDCG等。图1.2推荐系统的两种目标，评分预测（a）和Top-N推荐（b）针对推荐系统种类的不同，可将其分为单领域推荐和跨领域推荐两大类。(1)单领域推荐：在单一领域内为用户提供该领域内的推荐，比如用户在某电商平台上点击或购买一些物品，根据用户的历史购买记录给用户推荐感兴趣的物品。(2)跨领域推荐：从辅助领域中提取出丰富的用户画像特征或项目特征，然后迁移到目标域中，为目标域用户提供更加个性化的推荐，比如?
4此基础上，基于内容的方法被提出，该方法可以很好的缓解上述问题。基于内容的角度。如图1.3(a)所示，其原理是用户偏爱与本身历史行为项目内容一致的项目，假设你喜欢电影速度与激情I，而速度与激情II-VIII和你的行为历史电影在内容上保持一致，比如同样的导演或主演，同样的主题等等。根据这些内容的相似性，给用户推荐电影，这也有效的缓解了冷启动。但基于内容的模型很依赖有效的特征提取，所以许多基于内容的方法都致力于设计有效的特征嵌入向量[4][5][6]。然而浅层模型主要利用手工特征，其无法学习用户和项目的深层结构，所以浅层模型越来越不适用如今更丰富的数据。最近，先进的深度学习技术推动了对文本的机器理解[7]。深度学习自动利用低阶特征的交叉去挖掘更高阶的特征表示，其好处在于省去了很多的劳动力去进行手工特征的处理。例如，一个基于评论的深度模型[8]由两个深度神经网络模型组成，他们通过一个共享的公共层耦合在一起，通过基于评论的深度模型对用户和项目进行建模。自然语言处理（NLP）近年来取得了突破性的进展，尤其大火的attention注意力机制更是提高了基于内容的推荐方法的效果。Seo等人[9]提出了具有注意力机制的增强卷积神经网络。此外，Chen等人[10]提出了一种具有评论级别解释性的神经注意力回归模型，以帮助用户做出更好、更快的决策。(a)基于内容的推荐(b)基于社交网络的推荐图1.3推荐系统类型这些方法的一个主要弊端在于，其仅分析评论文本中的语义特征，而忽略了用户之间或者项目之间的影响。基于此，基于图角度的推荐系统被提出。基于图的角度。如图1.3(b)所示，把用户作为顶点，两个顶点之间的边代表两个用户之间为朋友关系或类似的偏好关系。因此偏好信息可以在这张图上进行传播，即每个用户的潜?
【参考文献】：
期刊论文
[1]基于标签卷积神经网络的文本推荐算法[J]. 马骁烊,张谧. 计算机系统应用. 2018(08)
[2]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)
[3]基于社交圈的在线社交网络朋友推荐算法[J]. 王玙,高琳. 计算机学报. 2014(04)
[4]基于用户相似度的协同过滤推荐算法[J]. 荣辉桂,火生旭,胡春华,莫进侠. 通信学报. 2014(02)
[5]基于邻域模型的K-means初始聚类中心选择算法[J]. 曹付元,梁吉业,姜广. 计算机科学. 2008(11)
本文编号：2992924
【文章来源】：湘潭大学湖南省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
推荐系统的常见应用场景
2这个方式可以有很多种，比如通过朋友推荐（社交网络），或者user的点击购买行为等，构成了各种方式的推荐系统。推荐系统的目标可分为两大类，一类是评分预测，另一类是Top-N推荐。(1)评分预测目标：推荐系统可以看作是用户对物品的打分预测问题，比如用户给自己购买过的物品打多少分，是用户对该项目偏爱的程度，如图1.2所示。评分预测应用最广泛的方法是矩阵分解，其直接或者间接的利用user-item之间的显性信息，如用户评分矩阵，矩阵中第行列的元素!"为用户对物品的喜爱程度，通常元素的取值范围为1-5分（打5分表示最喜欢，打1分表示非常不喜欢）。由于矩阵分解采用的是最小化平方损失，根据损失函数与评价指标一致原则，评分预测的指标一般采用以下两种：一种是均方根误差（RMSE），另一种是平方绝对误差（MAE）。(2)（2）Top-N推荐目标：推荐系统可以看作是给用户推荐top-N个可能最感兴趣的项目，即通过用户的隐式反馈信息来获取用户喜好，如图1.2(b)所示。在该目标下的推荐，其实也可以通过预测评分得到top-N个项目。比如通过评分预测模型得到所有项目的评分，然后根据评分的排序将top-N个高分项目推荐给用户。但top-N目标下的推荐，更应该关注的是排序方法的构建，其预测值是一个概率值，故评价指标只能是MAP和NDCG等。图1.2推荐系统的两种目标，评分预测（a）和Top-N推荐（b）针对推荐系统种类的不同，可将其分为单领域推荐和跨领域推荐两大类。(1)单领域推荐：在单一领域内为用户提供该领域内的推荐，比如用户在某电商平台上点击或购买一些物品，根据用户的历史购买记录给用户推荐感兴趣的物品。(2)跨领域推荐：从辅助领域中提取出丰富的用户画像特征或项目特征，然后迁移到目标域中，为目标域用户提供更加个性化的推荐，比如?
4此基础上，基于内容的方法被提出，该方法可以很好的缓解上述问题。基于内容的角度。如图1.3(a)所示，其原理是用户偏爱与本身历史行为项目内容一致的项目，假设你喜欢电影速度与激情I，而速度与激情II-VIII和你的行为历史电影在内容上保持一致，比如同样的导演或主演，同样的主题等等。根据这些内容的相似性，给用户推荐电影，这也有效的缓解了冷启动。但基于内容的模型很依赖有效的特征提取，所以许多基于内容的方法都致力于设计有效的特征嵌入向量[4][5][6]。然而浅层模型主要利用手工特征，其无法学习用户和项目的深层结构，所以浅层模型越来越不适用如今更丰富的数据。最近，先进的深度学习技术推动了对文本的机器理解[7]。深度学习自动利用低阶特征的交叉去挖掘更高阶的特征表示，其好处在于省去了很多的劳动力去进行手工特征的处理。例如，一个基于评论的深度模型[8]由两个深度神经网络模型组成，他们通过一个共享的公共层耦合在一起，通过基于评论的深度模型对用户和项目进行建模。自然语言处理（NLP）近年来取得了突破性的进展，尤其大火的attention注意力机制更是提高了基于内容的推荐方法的效果。Seo等人[9]提出了具有注意力机制的增强卷积神经网络。此外，Chen等人[10]提出了一种具有评论级别解释性的神经注意力回归模型，以帮助用户做出更好、更快的决策。(a)基于内容的推荐(b)基于社交网络的推荐图1.3推荐系统类型这些方法的一个主要弊端在于，其仅分析评论文本中的语义特征，而忽略了用户之间或者项目之间的影响。基于此，基于图角度的推荐系统被提出。基于图的角度。如图1.3(b)所示，把用户作为顶点，两个顶点之间的边代表两个用户之间为朋友关系或类似的偏好关系。因此偏好信息可以在这张图上进行传播，即每个用户的潜?
【参考文献】：
期刊论文
[1]基于标签卷积神经网络的文本推荐算法[J]. 马骁烊,张谧. 计算机系统应用. 2018(08)
[2]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)
[3]基于社交圈的在线社交网络朋友推荐算法[J]. 王玙,高琳. 计算机学报. 2014(04)
[4]基于用户相似度的协同过滤推荐算法[J]. 荣辉桂,火生旭,胡春华,莫进侠. 通信学报. 2014(02)
[5]基于邻域模型的K-means初始聚类中心选择算法[J]. 曹付元,梁吉业,姜广. 计算机科学. 2008(11)
本文编号：2992924
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2992924.html
最近更新
教材专著
