基于图片重要性和注意力机制的图片推荐算法

发布时间：2021-08-04 16:54

　　信息技术的发展和各种智能移动终端的普及,使得图片数据在网络上的生成和传播变得更加快捷,在很多基于图片分享的社交平台上,如Flickr,Pinterest,Instagram等,每天都会有成百上千万张图片的上传和下载,这就造成图片信息严重过载的问题。图片推荐作为图片检索技术的补充,旨在缓解这一问题。同众多推荐技术面临的问题一样,用户和图片之间的历史交互数据十分稀疏,且通常以隐式反馈行为体现,如何缓解稀疏性带来的影响,并有效挖掘用户偏好,是图片推荐技术面临的主要挑战之一。本文基于此,提出两个问题:1)如何隐性增加稠密度以缓解数据稀疏性带来的影响;2)如何只通过简单的用户对图片的隐式反馈行为深度挖掘用户图片间的潜在交互。基于这两个问题,本文提出一种基于图片重要性和注意力机制的图片推荐算法。首先,提出一个基于用户图片交互注意力机制的推荐模型,该模型采用逐点损失,且考虑到用户对每张图片的偏好程度不同,不同用户对同一张图片的偏好也有差异,引入注意力机制,对用户图片的交互行为建模,并分别以用户交互的图片和图片交互的用户构建注意力子模型。为了进一步提升性能,通过深度神经网络提取图片视觉特征,作为两部分... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

基于用户的协同过滤算法的原理

合肥工业大学学术硕士研究生学位论文8度计算，得到其邻居用户C，然后将C喜欢的且A未涉及的物品D推荐给用户A，即完成了整个推荐流程。图2.1基于用户的协同过滤算法的原理Fig2.1Thefundamentalofuser-basedCF（2）基于项目的协同过滤图2.2基于项目的协同过滤的基本原理Fig2.2Thefundamentalofitem-basedCF基于项目的协同过滤原理类似于基于用户的协同过滤，不同的是不再基于用户的角度寻找相邻用户，而是基于物品的角度寻找相邻物品，然后根据用户的历史偏好，推荐相似的物品给他。从计算上来看，物品的相似度计算跟用户一样，大体来说就是将所有用户对某个物品的偏好作为一个向量来计算物品之间的相似度，

第二章理论研究及相关技术11图2.3矩阵分解示意图Fig2.3ThegraphicalmodelofMF传统的基于用户或项目的协同过滤算法直接从用户或物品本身出发，通过寻找相似邻居从而做出推荐，这种通过用户及物品相关的历史记录进行推荐的方法直接利用用户物品的外在显示联系，并没有尝试去挖掘用户物品间潜在的交互关系。在一个推荐系统中，这种潜在的关系是由用户的日常生活行为，个人兴趣偏好以及物品的属性等各种方面体现出来。基于模型的协同过滤尝试从这一角度出来发，寻找一些潜在因子，将用户物品间抽象的潜在交互关系表示出来，作为连接用户和物品间的桥梁，而其中应用最成功的就是基于矩阵分解(MatrixFactorization,MF)相关模型。如图2.3所示，矩阵分解的任务就是将原始的用户项目评分矩阵分解为两个低维的用户隐特征矩阵和项目隐特征矩阵，这两个隐特征矩阵包含了用户项目的潜在联系，对应维度的乘积即得到用户对对应物品的预测评分。本节就基于矩阵分解的相关经典算法做个简单梳理。（1）SVD预测评分的过程可以看作是一个评分矩阵补全的过程。因此人们想到了数学中经典的奇异值分解(SVD)方法，如式（2.6）所示：mnmkTkkknRUV（2.6）将原评分矩阵分解为三个矩阵相乘，左右两个矩阵分别为用户，物品隐因子矩阵，代表用户，物品隐特征信息。中间为奇异值矩阵，且为对角矩阵。奇异值矩阵的引入是为了降维，一般奇异值矩阵的维度远小于原评分矩阵的维度。SVD分解有一个必要前提，即评分矩阵必须为稠密矩阵，即不存在稀疏元素，然而实际中很难满足这种条件，可以采用诸如均值填充等方法进行矩阵填充，但显然填充后的矩阵失去了原有的特征性，且同时需求矩阵逆操作，存在计算复杂度过高的问题。


本文编号：3322064