基于因子分解机及深度学习的个性化推荐算法研究

发布时间：2021-06-22 10:26

　　在今天这个互联网时代,信息的增长速度是十分惊人的,推荐系统在我们的生活中占有越来越重要的位置,近年来得到了广泛的研究。作为矩阵分解的一种升级版本,因子分解机得到了广泛的研究,但是它仍然属于线性模型,不能够学习出用户和物品间复杂的非线性关系。基于因子分解机的深层变体,NFM和DeepFM等模型将深度神经网络引入到因子分解机中,有效地解决了上面的问题。尽管如此,它们仍然存在着几个关键问题:1)对输入的各种特征没有做区分;2)无法有效利用用户的历史记录;3)无法自适应地权衡辅助信息的重要性。针对以上这些问题,本文开展了深入的研究,提出了一种记忆感知协同过滤算法,并在此基础上进一步提出了记忆感知门控因子分解机算法,并在多个真实数据集上的实验结果表明本文提出的算法的有效性。本文的主要研究工作如下:1.本文针对考虑用户历史交互记录和引入额外辅助信息的混合推荐算法开展了深入研究,分析了现有研究的优点以及存在的不足。基于矩阵分解和记忆网络的思想,本文提出了记忆感知协同过滤算法（MACF）,利用深度神经网络从用户的近期历史交互记录中学习出用户的近期偏好,然后与用户的长期偏好相结合,能够更加准确地预测出用... 

【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】：84 页

【学位级别】：硕士

【部分图文】：

长尾效应现象[52],这意味着受欢迎的产品很少,不太受欢迎的产品很多,最终构成了长尾巴。但是,即使是不受欢迎的产品也可能是很好的产品,他们缺乏被用户发现的机会。

基本上,该方法是找到与目标用户最相似的用户,并权衡他们对某个项目的评价,以此作为目标用户对该项目的评价。在不了解商品和用户本身信息的情况下,认为当两个用户对同一商品给予相似的评分时,这两个用户是相似的,因为他们有着相似的品味。类似地,基于项目的协同过滤(Item-based CF)推荐根据项目之间的相似性找到与目标项目相似的项目集合,可以认为两个项目在收到来自同一用户的相似评分时,这两个项目是相似的。然后,通过计算来自该用户的若干个类似商品的评分的加权平均值来预测该商品的目标用户,这种方式如2-3所示。图2-3基于项目的协同过滤方法[2]

图2-2基于用户的协同过滤方法[2]基于模型的协同过滤(Model-based CF)推荐算法一般都是以矩阵分解为基础,对用户和项目进行建模,相对于基于内存的协同过滤推荐算法而言,其不需要将所有的用户-项目交互情况放进内存中去,不仅空间复杂度降低了,一经训练后在预测阶段运行速度更快。矩阵分解相关算法的理论叙述将在后面进行详细地阐述。


本文编号：3242669