基于注意力机制的商品推荐算法的研究与实现

发布时间：2021-09-15 18:54

　　近年来,随着大数据时代的到来,数据挖掘成为了各类专家学者的研究热点,伴随着数据挖掘的不断兴起,推荐系统作为数据挖掘技术的一个重要分支,也得到了越来越多的关注。推荐系统可以向用户提供精确地推荐服务,特别是在电子商务领域,各类推荐算法扮演着越来越重要的角色。在各类推荐算法中,传统的推荐算法和基于深度模型的算法已被广泛研究。传统的推荐算法和基于深度模型的推荐算法已被无数的研究证实可以提高推荐的准确性,还有一些研究学者将两种方式结合在一起,形成优势互补,使得推荐精度进一步提高,但是这些混合算法中仍然存在数据稀疏和冷启动问题。再者,对于基于用户交互序列的个性化推荐系统来说,现有的基于循环神经网络的推荐算法存在着无法充分挖掘用户交互序列中隐含的用户兴趣等问题。因此,为了解决上述问题以提高个性化推荐算法在电子商务领域的推荐准确性,我们进行了以下研究。本文所进行的具体工作内容和主要创新点如下:1.本论文首先介绍了本文的研究背景、研究意义以及国内外传统推荐算法和基于神经网络的推荐算法研究现状。然后阐述了推荐系统领域的相关技术,其中包括循环神经网络相关模型和注意力机制。最后,本文详细设计了一种基于注意力机... 

【文章来源】：山东师范大学山东省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

传统推荐算法分类波器的所有卷积结果进行最大池化，通过取最大的值来捕获过滤器提取的最明显的特征

推荐系统作为是数据挖掘技术的一个重要分支，不同于其它技术，商品个性化推荐系统具有交互性和实时性的特点。商品个性化推荐系统的实时性是指系统可以不仅通过用户的历史记录而且通过用户当前一段时间的交互行为对用户进行个性化推荐；商品个性化推荐系统的交互性是指系统可以根据用户的反应进行推荐结果反馈，并不断的优化推荐结果。个性化推荐模型首先根据用户的历史交互序列提取出用户的兴趣，然后将用户兴趣和待推荐项目的特征运用推荐算法进行计算，最后将计算结果返回给用户。个性化推荐系统工作原理图如图21所示。图2-1个性化推荐系统工作原理图

山东师范大学硕士学位论文82.2循环神经网络及基于循环神经网络的相关模型2.2.1循环神经网络循环神经网络(RecurrentNeuralNetwork，RNN)的概念由Williams等人在文献[35]中提出，由于RNN能够建模序列数据在不同时刻数据之间的依赖关系，因此提出之后便开始广泛应用于个性化推荐中。从网络结构上来说，RNN是由不断进行重复迭代的单元组成的，每个单元中不仅包含当前的信息还包含之前的信息，并且每个单元的输出都会受到之前信息的影响。也就是说，RNN的隐藏层之间的结点不是相互独立的而是有连接的，在隐藏层中，每个节点包含的数据不仅包含本时刻输入层的输入，而且包含上一个节点的输出。RNN的模型示意图如下：图2-2RNN模型示意图如图2-2，左边是RNN的整体结构图，右边是在时间轴上展开的结构图，其中tx是第t步的输入，ts为隐藏层第t步的状态，它是网络的记忆单元，to是第t步的输出，U、V和W为三个权重矩阵，分别表示输入和隐藏层间的权重矩阵、隐藏层和输出间的权重矩阵以及t时刻和t+1时刻隐藏层间的权重矩阵。不同于传统神经网络中每个网络层中不共享参数，在RNN中，每输入一步，每一层各自都共享参数U,V,W。由于参数的共享导致了网络中需要学习的参数个数大大降低，也说明了RNN的每一步除了输入不同之外，本质上是在做同样的事情。RNN可由如下公式所示：)tanh(1tttWsUsx(2.1))max(ttVssofto1(2.2)由于RNN已经在实践中被证实在序列化数据建模方面具有强大的能力，同时也已经在词性标注、机器翻译以及推荐系统等方面[25,36,37]得到广泛应用。

【参考文献】：
期刊论文
[1]基于注意力卷积的神经机器翻译[J]. 汪琪,段湘煜.  计算机科学. 2018(11)
[2]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[3]结合概率矩阵分解的混合型推荐算法[J]. 杨丰瑞,郑云俊,张昌.  计算机应用. 2018(03)
[4]谈谈“推荐系统”和“搜索引擎”[J]. 陈运文.  计算机与网络. 2017(24)
[5]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)



本文编号：3396610