基于时序模型的推荐算法

发布时间：2021-10-23 06:24

　　随着互联网的发展以及大数据时代的到来,影音资讯、电子商品等各类物品日渐丰富的同时,也使得用户往往需要耗费大量的时间和精力才能找到自己喜爱的物品。而推荐系统可以利用用户的历史日志等数据提取出有价值的信息来快速地为用户找到其喜爱的物品并提供推荐结果。从用户对推荐结果的反馈的角度对推荐系统问题进行区分,可以分为行为预测和评分预测。本文针对这两个问题,提出了基于时序模型的融合兴趣推荐算法和基于物品质量的打分模型。在行为预测问题中,推荐算法通过预测用户在下一时刻行为的概率,再根据概率的大小给出推荐结果,比如可能会看哪部电影,听哪首歌曲。用户兴趣分布捕捉的越准确,推荐算法给的的结果也就越好。以往的算法大多只考虑了用户兴趣中的一面,即只考虑了静态兴趣或者动态兴趣,然而这两种兴趣是存在互补性的。基于此我们提出了融合兴趣模型,将用户的静态兴趣和动态兴趣融合到了一起。首先,把用户的独热编码当作原始表达,来用来提取用户的静态兴趣。同时,将每个用户的消费历史记录按照时间顺序输入到循环神经网络,随后使用注意力层来提取用户的动态兴趣。最后,我们使用自适应机制来融合提取到的两类用户兴趣,得到最终的用户兴趣表达。我们... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 推荐系统的研究概述
        1.2.1 推荐系统简介
        1.2.2 推荐系统的研究背景
    1.3 推荐系统问题概述
        1.3.1 行为预测
        1.3.2 评分预测
    1.4 本文主要工作
    1.5 本文结构安排
    1.6 本章小结
第二章 推荐系统的相关算法
    2.1 推荐系统的发展及研究现状
        2.1.1 基于内容的推荐算法
        2.1.2 协同过滤推荐算法
        2.1.3 混合推荐算法
        2.1.4 深度学习的推荐算法
        2.1.5 推荐算法评测
    2.2 与本文相关的推荐算法
        2.2.1 贝叶斯个性化排序
        2.2.2 基于循环神经网络的时序推荐算法
        2.2.3 概率矩阵分解
    2.3 本章小结
第三章 针对行为预测的融合兴趣模型
    3.1 HIM模型介绍
        3.1.1 融合兴趣模型的问题定义
        3.1.2 用户的静态兴趣建模
        3.1.3 用户的动态兴趣建模
        3.1.4 用户兴趣的自适应机制
        3.1.5 物品特征表达
        3.1.6 参数学习
    3.2 相关实验
        3.2.1 数据准备
        3.2.2 baseline及评价标准介绍
        3.2.3 不同模型在Recall@N&Mrr@N指标上的表现
        3.2.4 静态兴趣与动态兴趣互补性证明
        3.2.5 特征空间维度d对模型的影响
        3.2.6 注意力层和自适应机制的影响
        3.2.7 滑窗长度l的影响对模型的影响
    3.3 本章小节
第四章 基于物品质量的打分模型
    4.1 基于物品质量的打分模型介绍
        4.1.1 物品质量信息
        4.1.2 基于物品质量打分模型的问题定义
        4.1.3 生成基于物品质量的打分模型
        4.1.4 模型参数学习
    4.2 相关实验
        4.2.1 数据准备及实验参数设置
        4.2.2 baseline及评价标准介绍
        4.2.3 时序预测模型在评分预测任务中的表现
        4.2.4 不同模型在MAE和 RMSE上的表现结果及分析
        4.2.5 隐空间特征维度d对模型的影响
        4.2.6 滑窗长度l对模型的影响
        4.2.7 参数η对模型的影响
    4.3 本章小节
第五章 全文总结
    5.1 本文总结
    5.2 工作展望
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目



本文编号：3452647