当前位置:主页 > 科技论文 > 自动化论文 >

基于改进神经网络协同过滤的研究

发布时间:2020-03-20 05:52
【摘要】:随着互联网信息量爆炸式地增长,推荐系统已成为解决信息过载问题的一种有效技术手段,它允许用户发现符合自己兴趣偏好的新项目,也能够将企业的项目定向投放到具体的人群。在现实世界中,隐式反馈相对于显式反馈而言,具有更广泛的可用性,因此一些研究人员已经努力基于隐式反馈来设计推荐系统。传统的协同过滤方法,例如使用矩阵分解模型,只是简单地将用户-项目之间的交互建模为它们潜在特征向量的线性组合,这在很大程度上限制了模型的表达能力。为此,一些研究人员已经设计了基于神经网络的协同过滤,探索深度神经网络在推荐系统中的应用,神经网络协同过滤就是其中最具代表性的方法之一。本文对神经网络协同过滤进行了深入研究和分析,并针对其不足提出了如下改进方案:(1)神经网络协同过滤将用户-项目之间的交互建模为更加复杂的非线性模型,提高了推荐性能的同时,使用了大量的模型参数,导致模型训练效率不高。本文经过认真研究分析发现神经网络协同过滤框架中的嵌入层是一个全连接层,该层中用户和项目的潜在因子矩阵也会作为整个模型参数的一部分参与训练。为了对嵌入层提前单独进行训练,减少后期模型训练的参数,提高模型的训练效率,本文通过引入隐式反馈嵌入模型提出了IFE-NCF框架,并将该方案应用于NCF框架的两个具体实现GMF和MLP,分别得到了IFE-GMF和IFE-MLP两个模型。(2)神经网络协同过滤仅仅依靠用户和项目之间的交互进行建模,在用户冷启动问题以及捕获密切相关的项目之间的关系上仍然表现不佳。具体地讲,神经网络协同过滤在建模时没有考虑项目与项目之间存在的某些联系,可能会限制模型的推荐效果。另外只使用用户与项目之间的交互行为来建模,不足以对历史交互行为较少的用户,即冷启动用户做出有效的推荐。对此,本文在IFE-NCF基础上引入了项目上下文,提出了基于项目上下文的IFE-NCF框架,将目标用户对测试项目的交互建模为两方面内容:一方面是目标用户对测试项目的表现,另一方面是测试项目与目标用户曾经交互的项目之间的关系。而且本文在基于项目上下文的IFE-NCF框架下具体实现了基于项目上下文的IFE-GMF和基于项目上下文的IFE-MLP两个模型。本文分别针对IFE-GMF和IFE-MLP,以及基于项目上下文的IFE-GMF和基于项目上下文的IFE-MLP进行了大量实验。实验结果表明IFE-GMF和IFE-MLP在不损失预测准确度的情况下,可以明显提高原模型的训练效率;基于项目上下文的IFE-GMF和基于项目上下文的IFE-MLP相较于原模型,在推荐性能上都有明显改进,并且有效缓解了用户冷启动问题。实验结果也表明在基于项目上下文的IFE-GMF和基于项目上下文的IFE-MLP两个模型的训练过程中,随着迭代次数的增加,它们的推荐性能都在不断提升,但是当迭代次数达到某个数值时,这两个模型的推荐性能都趋于稳定。此外,实验结果还表明增加神经网络隐藏层数可以明显提升基于项目上下文的IFE-MLP的推荐性能。
【图文】:

模型图,神经,模型,神经网


工神经于深度学经网络现。人工系统处理神经网络,,麦卡洛。.1 M-P经神经网学习的大火(Deep Neu工神经网络理外界信息络是目前机洛克-皮特斯P 模型第二章 协同络简介火,一些研究ural Networ络(Artificial息的原理,开器学习和深斯模型,又同过滤算法与人员已经通rk , DNNs)l Neural Ne开发出的旨在深度学习使又称 M-P 模型与神经网络简通过设计基)在推荐系etwork, ANN在复制人类用的主要工型和多层感简介于神经网络系统中的应用N)简称神经类对事物学习工具之一。在感知器模型是络的协同过用,来提高经网络,是习方式的一在众多的神是最为人所过滤,探高推荐是基于一种数神经网所知的

激活函数


器学习和深斯模型,又图2.图2同过滤算法与15人员已经通rk , DNNs)l Neural Ne开发出的旨在深度学习使又称 M-P 模型5 M-P 神经.6 ReLU 激与神经网络简通过设计基)在推荐系etwork, ANN在复制人类用的主要工型和多层感经元模型激活函数简介于神经网络系统中的应用N)简称神经类对事物学习工具之一。在感知器模型是络的协同过用,来提高经网络,是习方式的一在众多的神是最为人所过滤,探索高推荐系是基于生一种数学神经网络所知的两
【学位授予单位】:西安电子科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.3;TP183

【相似文献】

相关期刊论文 前10条

1 檀亚宁;金泽明;陈辉;;基于项目协同过滤的电视产品营销推荐模型[J];科技资讯;2019年32期

2 许媛萍;;基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J];新闻研究导刊;2018年13期

3 李改;邹小青;;基于隐式反馈的协同过滤算法研究综述[J];福建电脑;2018年11期

4 胡致杰;胡羽沫;;协同过滤推荐瓶颈问题研究[J];无线互联科技;2016年09期

5 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

6 张家鑫;刘志勇;张琳;张倩;莎仁;;基于协同过滤的多维度电影推荐方法研究[J];长春理工大学学报(自然科学版);2019年02期

7 杨莉;;基于时间因子的协同过滤算法研究[J];电脑知识与技术;2019年09期

8 章宗杰;陈玮;;基于标签扩展的协同过滤算法在音乐推荐中的应用[J];软件导刊;2018年01期

9 王婵;;一种基于加权因子的混合协同过滤算法[J];电脑知识与技术;2018年09期

10 刘文佳;张骏;;改进的协同过滤算法在电影推荐系统中的应用[J];现代商贸工业;2018年17期

相关会议论文 前10条

1 孙见山;徐东;姜元春;;融合人格信息的单分类协同过滤方法研究[A];第十二届(2017)中国管理学年会论文集[C];2017年

2 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集(技术报告篇)[C];2005年

3 陈曦;;基于二阶定时修正协同过滤系统的信息推荐算法[A];2019年第二届钢铁工业智能制造发展论坛会议论文集[C];2019年

4 骆正清;郑涛;;基于标签聚类的协同过滤推荐算法[A];第十三届(2018)中国管理学年会论文集[C];2018年

5 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

6 孙铁利;杨焱;邱春艳;;基于内容预测的协同过滤推荐[A];2005年全国理论计算机科学学术年会论文集[C];2005年

7 刘牧;杨智强;王衡;;基于普适计算的日程发现方法探讨[A];第七届和谐人机环境联合学术会议(HHME2011)论文集【poster】[C];2011年

8 潘崇伦;张弛;;协同过滤的自服务模式在水务信息基础架构管理中的研究[A];大数据时代的信息化建设——2015(第三届)中国水利信息化与数字水利技术论坛论文集[C];2015年

9 陶红亮;王明文;曹瑛;;基于项目平滑和聚类的协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集(技术报告篇)[C];2006年

10 易們;杨成;柴智;;基于重排序的新用户TOPN推荐方法研究[A];第十九届中国科协年会——分4信息新技术 东北新工业论坛论文集[C];2017年

相关重要报纸文章 前3条

1 林嘉澍;从搜索到发现[N];经济观察报;2007年

2 本报记者 沈佳;数据大了 决策准了[N];山西日报;2014年

3 林嘉澍;若邻网络:发掘网上的真实人脉[N];经济观察报;2007年

相关博士学位论文 前10条

1 符明晟;基于深度学习的智能推荐技术研究[D];电子科技大学;2019年

2 顾梁;播存结构中基于协同过滤的内容推荐技术研究[D];东南大学;2017年

3 袁卫华;面向稀疏数据的多视图个性化推荐方法研究[D];山东师范大学;2018年

4 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

5 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

6 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

7 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

8 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

10 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 张晶;基于改进的协同过滤短视频个性化推荐系统分析与实现[D];江西农业大学;2019年

2 王菲;融合信任聚类的协同过滤算法研究与应用[D];南京邮电大学;2019年

3 田力;用于抵御随机攻击的协同过滤推荐技术研究[D];南京邮电大学;2019年

4 Jun Lu;[D];华中师范大学;2019年

5 黄镇;基于协同过滤的跨境电商推荐系统研究[D];华中科技大学;2019年

6 姜阳;基于用户行为的APP推荐系统的设计与实现[D];东南大学;2018年

7 李淑敏;基于聚类和用户偏好的协同过滤算法的研究[D];燕山大学;2019年

8 张丹;基于二阶隐马尔可夫模型的协同过滤算法的研究与应用[D];江苏大学;2019年

9 王波;基于隐马尔可夫模型和协同过滤推荐算法的研究[D];华中科技大学;2019年

10 黎晓春;协同过滤推荐技术的研究及其改进[D];上海交通大学;2017年



本文编号:2591353

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2591353.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户7a301***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com