融合物品视觉特征的协同过滤推荐算法研究

发布时间：2021-08-23 09:15

　　随着互联网的飞跃发展,互联网上信息也呈现急速增长的趋势,信息过载问题越发严重。推荐系统已经成为解决信息过载问题的重要解决方案。协同过滤（Collaborative Filtering,CF）则是其中的主流模型之一,在学术界以及工业界中均获得了大范围的应用。协同过滤从用户对物品的隐式反馈（例如,物品购买历史,浏览日志等）等数据建模用户对物品的偏好函数从而产生最后的推荐结果,但同时也忽略了物品的相关属性信息,例如物品的视觉特征,物品的标签分类等,从而在某种程度上限制了模型的性能。本文认为物品的视觉特征对于用户偏好建模有着重要的影响。为此,本文提出了融合物品视觉特征的稀疏线性模型,将物品的视觉特征同用户-物品交互记录联合考虑,共同建模用户-物品交互函数。本文围绕融合物品视觉特征这一问题进行了深入的探究,主要研究工作如下:（1）传统的协同过滤推荐算法仅仅考虑用户对物品的交互信息,忽视了物品的视觉特征,从而限制了模型的表达效果。本文将物品的视觉特征融入基于用户-物品交互的稀疏线性模型中,使用线性回归的方式建模物品的视觉特征对用户偏好的影响,实验结果表明模型的效果取得了明显的提升,同时验证了视觉特... 

【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】：62 页

【学位级别】：硕士

【部分图文】：

AlexNet网络结构图

合肥工业大学学术硕士研究生学位论文练。在本文第三章中，对于视觉特征的提取就是使用 AlexNet 网络实现的。AlexNet 网络之所以能够取得如此巨大的成功，与以下创新点有着重要的关系：（1）激活函数采用非线性的 ReLU 函数，在 AlexNet 之前，深度网络的训练普遍都是使用 Sigmoid 函数作为激活函数，Sigmoid 虽然能够把输入的值压缩到(0,1)区间内，但是 Sigmoid 很容易出现梯度消失和爆炸的情况。当函数的输入处于非常大和非常小的时候，Sigmoid 函数的梯度会无限接近于 0，这对于使用反向传播算法更新参数的神经网络来说，会导致梯度越来也小即梯度消失，导致网络参数更新缓慢，降低网络收敛速度。在 AlexNet 中，作者使用 ReLU 函数作为激活函数，如图 2.3 所示，由于 ReLU 函数是线性的，且在输入值大于 0 的情况下，导数恒为 1，从而在一定程度上缓解了梯度消失或者爆炸的问题，加快了网络的收敛速度。

丢失层Fig2.4DropoutLayer

【参考文献】：
期刊论文
[1]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[2]一种改进的基于用户项目喜好的相似度度量方法[J]. 雷建云,何顺,王淑娟.  中南民族大学学报(自然科学版). 2015(04)



本文编号：3357591