融合属性和评论的可解释推荐模型研究及应用

发布时间：2021-01-30 13:51

　　在如今的信息化社会,人们每天要面对着海量的信息并进行筛选。如何在复杂的数据中寻找到自己最关注的信息成为了一个重要而急迫的问题。个性化推荐系统作为筛选信息的核心技术,一直受到学者和研究人员的密切关注。传统的个性化推荐技术在推荐准确性方面已经取得了成功。但这些传统的推荐算法具有黑盒模型的不可解释性,深度学习在这方面尤其明显。“系统应如何向用户解释这些建议”这一基本问题尚未引起足够的重视。缺乏透明度使用户陷入两难境地:用户只能通过采纳建议的措施（例如购买排名靠前的商品）来评估推荐质量,但是推荐系统应该首先让用户建立对系统的信任。基于这些原因,推荐的可解释性已经变得和准确性同等重要,如何研究出准确性和可解释性效果同样好的推荐模型已经变成当前的热点问题。本文融合了属性和评论两种常见信息,以推荐系统准确性和可解释性作为研究重点,进行了以下工作:（1）提出了一种新的融合属性和评论的可解释性评分预测推荐模型（NERAR）。该模型融合了属性特征和评论特征的信息,使用基于树的模型从辅助信息中学习属性特征,然后使用时间感知的门控循环单元（T-GRU）对用户当前评论特征进行建模;利用卷积神经网络（CNN）处理... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

XGBoost生成的真实决策树，白色圆圈内代表分类条件

第2章相关工作及算法综述10为=[!&"&#&…&?]，称为关联的交叉特征。如果图2.2表示第二棵树，并且交叉特征落在第二个节点上，则通过组合第一棵树的交叉特征，可以获得两个交叉特征：(1):[odor=pungent]&[spore-print-color=orange](2):[odor=pungent]&[gill-size=narrow]&[cap-shape≠conical]图2.2XGBoost生成的第二棵决策树2.2可解释性推荐算法综述2.2.1基于知识图谱的可解释性推荐算法Gao等[20]通过开发可解释的深度推荐模型来减轻准确性和可解释性之间的权衡。该模型实现了最先进的准确性，并且可以高度解释。此外，该模型本文能够准确地描述分层用户的兴趣。模型可以自动推断多级用户偏好，并确定哪个层次的特征最能吸引用户的真正兴趣，例如，他/他是对诸如虾(高级特征)等感兴趣还是对海鲜(低级特征)等产品感兴趣。Gao等开发了深层显式注意力多视图学习模型（DEAML）。基本思想是基于可解释的深度结构（例如知识图）构建初始网络，并通过优化可解释结构中的关键变量（例如节点重要性和相关性）来提高准确性。为了提高模型的准确性，提出了一种专注的多视图学习框架来进行评分预测。在此框架中，不同层次的特征被视为不同的视图。通过使用注意力机制将相邻的视图连接起来。来自不同层次的结果将被共同规范化并组合以做出最终预测。此框架有助于提高准确性，因为

第2章相关工作及算法综述11它对噪声具有鲁棒性，并能够充分利用可解释结构中的分层信息。其次，将个性化的解释生成公式化为约束树节点选择问题。为了解决这个问题，提出了一种动态规划算法，该算法以自下而上的方式找到了最佳的解释特征。模型框架如图2.3所示。图2.3DEAML框架图[20]2.2.2基于评论的可解释性推荐算法Chen等[21]介绍了一种新颖的注意力机制来探讨评论的有效性，并提出了带有评论级别解释（NARRE）的神经注意力回归模型以进行推荐。具体来说，NARRE不仅可以预测准确的评分，还可以同时了解每次评论的用处。因此，获得了非常有用的评论，这些评论提供了评论级别的解释，以帮助用户做出更好，更快的决策。该模型利用了神经网络建模的最新进展-注意机制自动为评论分配权重以有监督方式。具体来说，提出了一个加权函数，它是一个多层神经网络，并以用户和商品的特征也就是评论的内容作为输入。此外，NARRE使用两个并行的神经网络共同为用户和物品学习隐藏的潜在特征。一个网络使用用户编写的评论来建模用户偏好，另一个网络使用商品的书面评论来建模商品特征。在最后一层，利用隐因子模型，并将其扩展到神经网络以进行评分预测。NARRE的一般体系结构包括基于卷积神经网络（CNN）文本处理器的评论处理层。然后是一个基于注意力的评论池化层，这是模型的主要关注点。之后，模型包含一个预测层，这是用于预测评分的隐因子模型。总体来说，该模型包括以下3个部分。第一部分，将目标用户写下的所有评论和目标商品收到的所有评论输入到基于文本的卷积神经网络层中得到所有评论的向量表示。第二部分，通过注意力机制将不同评论的向量表示聚合到一起，分别得到用户和商品的评论向量表示。第三部分，将目标用户和目标商品的向量表示通


本文编号：3009011