基于深度学习与特征嵌入的推荐算法研究

发布时间：2021-10-02 07:41

　　在信息过载的今天,人们可以通过互联网拥有各式各样的获取信息的途径与方式,但最需要人们花费时间的是要在庞大的信息海洋中发现自己感兴趣的信息。推荐系统就在这种条件下应运而生。对用户而言,推荐系统能帮助决策,发现新鲜事物。对商家而言,推荐系统能提供个性化服务,提高信任度和粘性,增加营收。传统的推荐算法一般都是通过分析用户对物品的评分数据,之后再进行偏好推荐。然而如果用户对项目的行为信息过少,使得评分数据过于稀疏,推荐系统的推荐效果会变差。为了预测填补评分数据中的空缺信息,研究者提出了评分预测算法。评分预测算法通过研究项目的属性,构建模型来对预测并补全用户项目评分矩阵中的空缺项。常见的评分预测模型包括平均值法,矩阵分解模型等。但这些方法都存在深层特征提取困难,数据处理方式单一等问题,这些问题会导致预测精度低以及结果不够合理。深度学习中的模型具有较强的适应性,在很多领域都被广泛使用。相对于嵌入方法而言,深度学习的模型对数据之间的联系分析得更加充分,从数据中学习到的特征也更具代表性,从而可以间接地提高预测精度。针对上述问题,本文对基于特征嵌入的推荐算法（FE）进行改进,利用深度学习中的卷积神经网络... 

【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】：68 页

【学位级别】：硕士

【部分图文】：

卷积神经网络提取语句特征

第2章相关理论知识介绍13叠加来实现对输入数据的多次特征提取过程，之后再将处理后的特征信息传到全连接层。全连接层的作用是对提取到的信息进行整合，网络最后的输出层是一个分类器，可以采用逻辑回归，Softmax回归等多种方式对输入的特征信息进行分类。卷积层是整个网络的核心的部分。网络中每个卷积层都具有唯一的特征面，在每个特征面中都包含着多个神经元。每个神经元都通过卷积核与上一层的局部区域的神经元相连接。卷积核一般情况下是一个权值矩阵。卷积核大小的具体设置情况会根据数据类型维度的改变而有所不同。卷积层的工作原理是利用卷积核的滑动，对每个不同的卷积核进行卷积运算来实现对特征的提龋在对一个多层的网络输入数据后，第一个卷积层的输出可以视为提取原始输入数据中较低级的局部特征。第二个卷积层以第一层的输出作为输入，在第一层提取的特征的基础上继续提取更深层的特征，更深层的卷积层工作方式以此类推。卷积运算如下所示：)(,,1jijiixijVVbWf…………………（2.1）其中ixV1指网络中第i-1层的第x个特征。jiW,指第i层的第j个特征的权重矩阵。jib,指第i层第j个特征的偏置。f)(指激活函数。以4x4的矩阵为例，若设卷积核的维度为2x2.滑动步长为2，则具体卷积过程如下图所示：图2.2卷积运算过程从上图卷积计算的过程中可以看出，卷积计算在提取特征的同时也降低了数

第2章相关理论知识介绍15图2.3循环神经网络结构图若在t时刻的输入为x，t-1时刻的隐含层输出结果为t1s，则t时刻的第k个神经元的输出公式如下所示：JjjtkjIiitkikifsxbsUW111)(…………（2.2）其中kiW为输入层第i个神经元与隐含层第k个神经单元的权重矩阵，kjU为t-1时刻的第j个神经元与下一时刻第k个神经元的权重矩阵，f)(指激活函数，b指偏置。2.4长短文本记忆网络循环神经网络的特点就是隐含层的神经元可以整合先前的信息到当前的任务上。然而，如果序列中两个元素的位置距离间隔很大，传统的循环神经网络就会无法学习到距离较长的信息，这就是长距离依赖问题（Long-TermDependencies)[27]。为了缓解这个问题，在1997年，研究者Hochreiter与Schmidhuber共同提出一种循环神经网络的改进形式——长短文本记忆网络(LongShort-Term


本文编号：3418258