基于深度学习的新闻推荐算法研究

发布时间：2023-04-01 13:22

　　近年来互联网渐渐融入到生活中的每个角落,推荐系统也因此得到了迅速发展,生活中的方方面面可能都会受到推荐算法的影响。推荐算法的优劣在工业界常使用线上推荐产品的点击率来衡量,更高的点击率可以带来更高的产品收入。因而研究员和工程师们一直在致力于通过算法的改进提升产品的点击率,CTR预测模型的研究成为了推荐领域重要的课题之一。本文从CTR预估角度出发,通过对深度学习模型的优化来提高排序算法准确率,进而提升新闻推荐效果。此外,本文还从强化学习角度出发,将其应用到新闻推荐场景中提出新的推荐算法,并且针对利用模拟器评价强化学习模型存在较大偏置的问题,提出了一种离线评估指标。本文做的主要工作和贡献如下:(1)提出了一种基于双交叉深度网络的排序算法。本文提出一种双交叉深度网络(Double Cross&Deep Network,DCDN)提高新闻推荐准确率。该网络是基于深度交叉网络(Deep&Cross Network,DCN)改进的一个算法,可以应用于CTR预估领域,特别是针对新闻推荐场景。模型的特征交叉部分改进为双交叉网络,使其能够侧重某类特征与其他类特征的交叉建模,让模型更加高效准...

【文章页数】：62 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
    1.2 研究现状
    1.3 研究内容和主要工作
    1.4 论文组织结构
第二章 相关技术介绍
    2.1 推荐系统
        2.1.1 推荐系统架构
        2.1.2 推荐系统目标
    2.2 推荐算法介绍
        2.2.1 协同过滤算法
        2.2.2 FM与FFM
        2.2.3 Wide & Deep与Deep FM
    2.3 强化学习
        2.3.1 强化学习框架
        2.3.2 常见强化学习算法
第三章 双交叉深度网络排序算法
    3.1 引言
    3.2 算法设计
        3.2.1 相关模型介绍
        3.2.2 DCDN模型结构
    3.3 实验验证
        3.3.1 数据集
        3.3.2 数据预处理
        3.3.3 实验结果和分析
    3.4 本章小结
第四章 基于深度强化学习的新闻推荐算法
    4.1 引言
    4.2 算法设计与应用
        4.2.1 深度强化学习
        4.2.2 DDPG在新闻推荐中的应用
    4.3 实验验证
        4.3.1 数据集
        4.3.2 离线评价指标QAUC
        4.3.3 实验结果和分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间取得的研究成果



本文编号：3777216