基于Gumbel-Softmax分布的离散化推荐算法研究

发布时间：2023-12-02 19:14

　　推荐系统作为解决信息过载的重要工具,一直在不断发展,并且被广泛应用到各个领域中。然而由于信息量日益增加,使得推荐速度逐渐变慢,很难满足现在信息时代对速度的要求,因而,推荐系统的发展陷入瓶颈。哈希推荐作为一种支持快速检索的技术成为解决这个问题的有效方案,并且该技术正在得到逐步发展和完善。当前提出的哈希推荐主要包括两种,一种是基于二阶量化的哈希推荐,一种是基于学习的哈希推荐。这两种方式都存在缺陷,前者需要划分两个步骤,每一个步骤都做近似计算,损失大量信息,使得推荐的结果不够准确,后者设计的推荐模型与实际推荐场景中的目标不一致,从而导致预测结果与实际目标相差甚远。基于此,本文深入研究离散推荐模型,并提出基于Gumbel-Softmax的离散化协同过滤模型(GDCF)框架。该模型框架采用基于学习的哈希推荐方法,避免由于两阶段学习带来的损失,进而根据具体的推荐问题,设计出相应的目标函数来匹配目标,这样可以使推荐结果和目标结果相一致。本文在协同过滤的基础上将神经网络融合进来做二进制推荐算法的研究。本文主要的贡献如下:1.为了解决神经网络中无法做离散值的梯度更新问题,提出利用Gumbel-Softm...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究现状
        1.2.1 推荐系统研究现状
        1.2.2 协同过滤算法研究现状
        1.2.3 哈希推荐系统研究现状
    1.3 论文内容与创新点
    1.4 论文章节安排
第二章 相关理论基础
    2.1 协同过滤推荐算法
        2.1.1 协同过滤模型
        2.1.2 基于用户的协同过滤
        2.1.3 基于项目的协同过滤
        2.1.4 基于矩阵分解的协同过滤
        2.1.5 基于神经网络的协同过滤
    2.2 基于哈希技术的推荐算法
        2.2.1 局部敏感哈希算法
        2.2.2 迭代量化哈希算法
        2.2.3 二进制协同过滤算法
        2.2.4 保留偏好哈希算法
        2.2.5 离散协同过滤算法
    2.3 Gumbel-Softmax理论与应用
    2.4 本章小结
第三章 基于学习的哈希推荐方法研究
    3.1 研究背景
    3.2 符号说明
    3.3 基于Gumbel-Softmax的神经网络离散推荐方法
        3.3.1 模型框架
        3.3.2 多层感知机层
        3.3.3 离散化的广义矩阵分解层
        3.3.4 基于Gumbel-Softmax实现离散优化
        3.3.5 预测层
    3.4 算法实验
        3.4.1 实验数据
        3.4.2 实验评价指标
        3.4.3 验证Gumbel-Softmax可行性
        3.4.4 实验结果与分析
    3.5 本章小结
第四章 基于生成对抗网络的哈希推荐方法研究
    4.1 研究背景
    4.2 基于生成对抗网络的哈希推荐方法
        4.2.1 生成对抗离散推荐模型
        4.2.2 基于Gumbel-Softmax实现离散优化
        4.2.3 预训练模型
    4.3 算法实验
        4.3.1 实验数据
        4.3.2 实验设计
        4.3.3 实验结果与分析
        4.3.4 参数敏感实验
        4.3.5 性能分析实验
    4.4 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3870166