基于图嵌入的广告推荐模型

发布时间：2021-09-23 15:22

　　随着互联网的普及,以互联网为载体的信息大量出现,这些信息虽然能够满足用户更多的需求,但是由于信息的爆炸式增长,用户想要在海量的数据中获取自己想要的信息变的越来越困难,即虽然信息的数量增加了,但是信息的利用率却大大降低了,这就导致了信息的超载问题。推荐系统是解决信息超载问题的一种常用手段,往往承担着信息过滤的责任,需要在海量的信息中挑选用户感兴趣的。推荐系统是可以根据用户的特征,信息的属性,用户的历史记录,将其感兴趣的信息和产品推荐给用户的个性化系统。与搜索引擎不同的是,推荐系统会通过用户的行为,进行个性化计算得出用户的兴趣,从众多的候选集中挑选用户感兴趣的内容,从而减少用户的搜索时间,增加信息的利用率。个性化的推荐服务是推荐系统的主要作用,一个好的推荐系统能够使用户对它产生依赖。广告推荐系统是推荐系统的一个重要分支,近些年,学术界科研人员不断地提出专门针对广告推荐场景的模型。在工业界,由于广告推荐能够产生大量的利润,也得到了广泛的关注。广告推荐系统通过分析用户的兴趣以及广告的特征,向用户推荐其感兴趣的广告。论文首先介绍了广告推荐系统的相关概念和研究现状,之后介绍了常用的推荐模型。然后提... 

【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

因子分解机示意图

第 2 章 理论基础得到： kfniifiniifiWvxvx1 122,21,(( ))………………………(2.5)很明显的可以看出，FM 的复杂度是 ()2O kn，通过如上公式化简，FM 的二阶项求解只和向量ifv,相关，可以看到，虽然在训练期间，FM 的复杂度是大于逻辑回归的，但是在预测阶段它们的复杂度是一样的，而且 FM 模型的效果会比逻辑回归模型提升不少。2.2 FFM 算法

2.3 DeepFm 模型目前主流的 CTR 模型，都是在特征工程上下了大功夫。例如，传统的逻辑回归模型，结构简单且可解释性强，但需要大量的特征工程。不同于传统模型，神经网络的结构可以自动去挖掘特征的隐含关系。DNN 模型结构主要用来挖掘高阶的特征间的隐含关系，而像 FNN，也就是 FM+DNN，先通过 FM 预训练嵌入矩阵(Embedding)，再通过 DNN 训练，这样的模型结构主要虽然考虑了高阶的特征间的隐含关系，但实际上忽视了低阶特征。鉴于低阶特征和高阶特征都对模型的效果有很大的影响，于是针对 CTR 的深度学习模型宽度深度网络(Wide&Deep)就出现了，Wide 部分关注的是低阶特征，Deep 部分则关注的高阶特征，为了进一步提高模型的效果以及泛化的能力，则提出了 DeepFm（Factorization-Machine based Neural Network）模型。

【参考文献】：
期刊论文
[1]基于用户非对称相似性的协同过滤推荐算法[J]. 黄贤英,龙姝言,谢晋.  四川大学学报(自然科学版). 2018(03)
[2]一种带标签的协同过滤广告推荐算法[J]. 金紫嫣,张娟,李向军,温海平,张华薇.  计算机工程. 2018(04)
[3]基于深度学习的论文个性化推荐算法[J]. 王妍,唐杰.  中文信息学报. 2018(04)
[4]半监督集成学习综述[J]. 蔡毅,朱秀芳,孙章丽,陈阿娇.  计算机科学. 2017(S1)
[5]基于注意机制编码解码模型的答案选择方法（英文）[J]. Yuan-ping NIE,Yi HAN,Jiu-ming HUANG,Bo JIAO,Ai-ping LI.  Frontiers of Information Technology & Electronic Engineering. 2017(04)
[6]基于哈夫曼编码的选择算法[J]. 王防修,刘春红.  武汉轻工大学学报. 2016(02)
[7]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇.  模式识别与人工智能. 2014(08)
[8]推荐系统中的冷启动问题研究综述[J]. 孙冬婷,何涛,张福海.  计算机与现代化. 2012(05)
[9]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)
[10]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)



本文编号：3405949