基于深度强化学习的推荐系统研究

发布时间：2022-09-24 22:08

　　推荐系统被广泛应用于互联网的各个领域中,用来解决当前时代信息过载的问题。它不仅可以帮助用户快速筛选出感兴趣的内容,也为互联网公司创造出了巨大的商业价值。针对用户进行分析是个性化推荐系统的基础和前置工作。基于对某个用户的分析可以发现这个用户对不同物品感兴趣的程度。用户、物品和其他一些附属信息,比如标签信息、物品种类,共同组成了一个异构的信息网络。一般情况下,推荐算法会直接把用户描述为显式或隐式的评分,但是这样做忽略了用户、物品和信息网络中其他实体节点之间的相互联系。为了解决这个问题,本文会基于对异构信息网络的挖掘进行用户推荐。此前,在异构信息网络中解决推荐任务的方法很多是基于元路径的。但是许多现有方法完全依靠专家来提供元路径,很少有工作讨论如何生成高质量的元路径。这样做有两个弊端,一是在庞大而复杂的异构信息网络中,手动检索元路径可能会非常繁琐和困难。二是专家提供的元路径可能带有人为偏见。因此,我提出了基于深度强化学习的方法来挖掘异构信息网络中的元路径。此前,强化学习已经在推荐系统中有很多应用,但是与现有的方法不同,本文将强化学习的环境定义为由用户、物品以及其他信息组成的异构信息网络。总的... 

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 传统的推荐系统
        1.2.2 基于异构信息网络的推荐系统
        1.2.3 基于深度学习的推荐系统
        1.2.4 基于深度强化学习的推荐系统
        1.2.5 基于强化学习的异构信息网络
    1.3 本文的主要工作
    1.4 本文的结构安排
第二章 相关基础知识介绍
    2.1 协同过滤算法
        2.1.1 协同过滤算法思想
        2.1.2 协同过滤算法流程
    2.2 异构信息网络
        2.2.1 基于异构信息网络的推荐系统
    2.3 强化学习和深度强化学习
        2.3.1 基于强化方法的推荐系统
    2.4 本章小结
第三章 基于深度强化学习的用户分析
    3.1 问题定义
    3.2 强化用户分析模型框架
    3.3 本章小节
第四章 基于强化用户分析的推荐系统
    4.1 训练过程
        4.1.1 预训练
        4.1.2 强化学习训练
        4.1.3 多次迭代训练
        4.1.4 时间复杂度分析
    4.2 评分预测
    4.3 Top-N推荐
    4.4 本章小结
第五章 实验结果分析
    5.1 实验数据集
    5.2 实验设置
    5.3 实验结果
        5.3.1 推荐结果
        5.3.2 所提方法的详细分析
        5.3.3 效率讨论
    5.4 本章小结
第六章 全文总结与展望
    6.1 全文工作总结
    6.2 未来工作展望
致谢
参考文献
攻读硕士学位期间取得的成果


【参考文献】：
硕士论文
[1]基于深度强化学习的推荐系统研究[D]. 刘洋军.电子科技大学 2019



本文编号：3680953