用户—商品非线性关系建模

发布时间：2021-02-12 11:10

　　随着线上信息数据的大量增长,“信息过载”成为不可忽略的问题,推荐系统是克服此问题有效的手段之一。其中,用户与商品间关系的建模在推荐系统中扮演着重要的角色。但现存的方法中,大多数模型是采用了一种线性的方式对此建模,这可能会限制模型的性能。尽管最近的一些工作已经运用深度学习技术去捕捉用户与商品间的非线性关系。但当神经网络被使用时,这里仍存在两个潜在的问题。第一个问题是随着神经网络层数的增加,整体算法的复杂度会增加的非常快。第二个问题是更深的网络结构可能会降低模型的准确率。在另一方面,多评分信息也被用于提升全局评分预测的准确率。对于基于多领域评分的推荐系统,如何从全局评分与多领域评分中挖掘出潜在信息,是目前研究中最重要的目标之一。尽管迁移学习成功的被应用于基于社交的推荐系统,基于地理位置的推荐系统以及基于上下文的推荐系统中。迁移学习在多领域评分推荐系统的使用的研究却很少得到关注。为了解决上述推荐系统中的问题,在此文中,本文分别研究了混合神经网络与辅助信息在对用户与商品关系建模中的应用。本文的主要贡献归纳如下:1.本文提出了一种混合神经网络结构,此结构包含全局神经网络和局部神经块,可以学习出用... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究历史与现状
        1.2.1 矩阵分解相关模型
        1.2.2 深度学习相关模型
        1.2.3 辅助信息相关模型
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 推荐系统基础
    2.1 经典的协同过滤
    2.2 矩阵分解
    2.3 学习隐反馈数据
    2.4 评价指标
        2.4.1 评分准确性指标
        2.4.2 Top-N指标
    2.5 本章小结
第三章 利用深度学习建模
    3.1 神经协同过滤
    3.2 本章所提模型
        3.2.1 混合神经协同过滤
        3.2.2 局部神经块
        3.2.3 融合模型
        3.2.4 本文所提方法概要
    3.3 实验对比
        3.3.1 实验设置
        3.3.2 结果和分析
    3.4 本章小结
第四章 利用多评分信息建模
    4.1 协同因子模型
        4.1.1 多领域评分的因子分解模型
        4.1.2 协同因子模型
    4.2 实验对比
        4.2.1 实验设置
        4.2.2 结果与分析
    4.3 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献
附录
攻读硕士学位期间取得的成果



本文编号：3030767