融合多源异构数据的推荐模型与系统

发布时间：2022-01-20 16:16

　　在信息时代,数据是核心,海量数据带来的信息过载问题,使人们分析处理信息、找到自己喜爱的内容成为一件困难的事;而信息的生产者,也需要让自己的信息富有吸引力,从而获得流量,为平台创造收益。推荐系统作为一种信息过滤系统,极大地缓解了这一供需矛盾。推荐系统能够挖掘用户的行为模式,建模用户的兴趣,并预测用户对潜在信息的偏好程度,为用户提供服务。推荐系统的研究以信息过滤为起点,此后随着信息网络的发展,用户行为的变化和机器学习等计算机科学技术的兴起,发展出各种推荐模型和算法。以协同过滤推荐为代表的方法,成为学术研究热点,也是业界最为流行的框架。根据用户和物品之间的交互信息,如评分记录,学习两者之间的隐藏特征以及抽象的推荐模式,预测用户的喜好物品。实际应用中,用户和物品的相关交互数据十分稀疏,且对于新用户、新物品无法捕获有效特征,降低了推荐系统的性能。目前,数据稀疏及冷启动问题的一个重要的解决方案,就是融合相关的辅助数据,如用户社交网络信息、用户对相关物品的评论文本、用户标签数据和其他的用户反馈信息等。这些数据来源多样,且具有不同的结构,需要设计合理的机制,才能有效地融入推荐模型中,以提高最终推荐准度... 

【文章来源】：南京大学江苏省 211工程院校 985工程院校 教育部直属院校

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

图２－２：神经协同过滤模型??公式如下：??（ｐＧＭＦ?＝?ｌｌＧＭＦ?〇?ＶＧＭＦ，?（２－１６）??＝ｍ｛Ｘ｛Ｘ－＇－－－（］ｔ］）?ｌ，ＭＵ，ｗ■■■（Ｘ］－

Ｅｌｋａｈｋｙ等人在此基础ｈ，提出了多视角的深度神经网络模型（Ｍｕｌｔｉ－Ｖｉｅｗ??Ｄｅｅｐ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，?Ｍｕｌｔｉ－Ｖｉｅｗ?ＤＮＮ）丨３４】，在多个领域（视角）下，使用多??个ＤＳＳＭ结构对用户进行联合式的建模。如图２－４所示，用户视角下，将用??户输入ｘ，？通过多层前馈神经网络（ＭＬＰ）映射到一个隐式语义空间下的表示??ｙｆｙ?＝?／ｃ／Ｕｆ／為）。在不同视角下的用户行为与交互数据，作为特征化的输入、??通过对应的深度网络进行特征映射变换，得到同属于用户表示空间的—个隐藏??对齐特征：％?＝?与ＤＳＳＭ类似地使用余弦相似度表示用户和该视角下??物品的相关性，拟合用户与这些物品之间的交互历史，通过误差反向传播，更??１８??

新网络参数沒。??在每？个视角ｖ卜，用户的表不＿ｖｔ／与＇其中的物晶ｖ，■表小ｙ，■之间的余弦相??似度（距离）建模成概率，即：??冲咖）＝—．Ｖ，））?－?（２＿２／ｅ＞ｖ?ｅｘｐ（／ｌ?ｃｏｓ（ｙｕ，ｙ＇））??其中＾，表示视角ｖ中所有相关物品的深度结构化语义表示，并使用超参，丨平滑。优化过程中，最大化所有视角Ｆ用户和正样本物品（＞０交万．概率的似然??函数，即??￡?＝?－?＾?ｌｏｇ?Ｐ（ｙ＼ｕ）?＋?Ｑ（０）?（２－２３）（？，Ｖ）??可以认为，Ｍｕｌｔｉ－Ｖｉｅｗ?ＤＮＮ得到的用户表不外，包含／多个视角下Ｎ＊甚的用??户隐藏信息特征，在推荐系统中能更完整地代表用户喜好因子。??２．５．２习模型??

【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[2]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[3]适应用户兴趣变化的社会化标签推荐算法研究[J]. 张艳梅,王璐.  计算机工程. 2014(11)
[4]适应用户兴趣变化的协同过滤推荐算法[J]. 邢春晓,高凤荣,战思南,周立柱.  计算机研究与发展. 2007(02)



本文编号：3599138