基于深度学习的协同过滤算法研究与改进
发布时间：2021-01-24 02:48
推荐系统的核心是推荐算法,协同过滤算法因其简单、高效、稳定的特点在所有推荐算法中备受青睐,也是目前推荐算法中应用最广泛最成功的推荐技术。但是在实际应用场景下,随着用户和商品的不断增长,协同过滤算法中的评分矩阵逐渐暴露出数据稀疏性和冷启动问题,同时也忽略了评论文本中的大量信息。此外,协同过滤推荐算法仅利用浅层特征来训练模型,制约了推荐性能。近五年来随着深度学习的崛起,掀起了人工智能的热潮。在图像识别领域、文本挖掘领域、语音识别领域均取得了突破性进展,这也为提升推荐算法性能带来可能。本文的主要工作包含以下两个部分:（1）针对传统协同过滤推荐算法中存在的冷启动与数据稀疏性问题,以及在矩阵分解时降维程度主要依赖于先验知识缺乏灵活性这一弊端,提出了融入奇异值能量的协同过滤算法（SVE-CF）。首先在数据预处理过程中计算出用户-项目评分矩阵的噪声率,根据噪声率确定评分矩阵替换程度,再利用奇异值能量求得近似评分矩阵,最后通过矩阵因子分解模型将近似矩阵中的用户和商品映射到同一隐空间,确定两者之间的交互,实现了基于评分的推荐。在公共数据集Movie Lens上验证SVE-CF模型和多个传统推荐算法效果,...
【文章来源】：中国民航大学天津市
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
推荐系统工作原理图
图 2-2 基于内容的推荐系统结构该模型中，一般使用余弦相似度来计算两个物品的相似度，相似度取值范围为[0,1]，值越接近 1 表示越相似，其表达示如下： ,= | | | |(2.8)式中 ,表示物品 a 和 b 的相似度，a 和 b 分别表示物品 a 和 b 的向量化特征形式。另一种近似度表示方法是余弦相似度，这种表示考虑了用户评分平均值之间的差异，因而其做法是在评分值中减去平均值，改进之后的取值范围变成了[-1,1],和 Pearson 相关系数一样，改进后的表达式如下： ,=∑ (,)(,)∑ (,) ∑ (,)(2.9)式中 ,表示物品 a 和 b 的相似度， 表示用户 u 的平均评分，,表示用户 u 对物品 a的评分。计算出物品之间的相似度后，根据相似度从高到低选择前 N 个物品出来，利用下式
阵因子分解模型于用户的推荐算法和基于物品的推荐算法可以看成是高质量输入的显示反馈，子分解模型(Singular Value Decomposition ,SVD)[49-51]则是从比较丰富的隐式反测用户的爱好，即通过用户的历史行为间接获得用户的偏好。矩阵因子分解模和用户映射到同一隐空间，并试图通过描述产品和用户两种实体在隐因子上的来预测评分，这些隐因子是根据用户的反馈自动推断出来的。这些隐因子能够测到的评分。于SVD的协同过滤算法在数学上的本质属于一个降维的过程，其具体数学定义意矩阵A×，总能将A分解成三个矩阵的乘积。即：A = U × Σ × 。其中U为的正交阵，Σ为 M 行 N 列的对角阵，并且它主对角线上的元素从上到下依次递， 这 样 Σ 便 由×唯 一 确 定 ， 其 主 对 角 线 元 素 称 为 奇 异 值 。 即 ： , , , , )且( > > > > ), 为 N 行 N 列的正交阵。其下：
【参考文献】：
期刊论文
[1]关联规则推荐的高效分布式计算框架[J]. 李昌盛,伍之昂,张璐,曹杰. 计算机学报. 2019(06)
[2]基于共享知识模型的跨领域推荐算法[J]. 李林峰,刘真,魏港明,任爽,葛梦凡. 电子学报. 2018(08)
[3]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)
[4]融合评分矩阵与评论文本的商品推荐模型[J]. 李琳,刘锦行,孟祥福,苏畅,李鑫,钟珞. 计算机学报. 2018(07)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]基于用户评分和评论信息的协同推荐框架[J]. 谭云志,张敏,刘奕群,马少平. 模式识别与人工智能. 2016(04)
[7]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[8]一种基于多正则化参数的矩阵分解推荐算法[J]. 张航,叶东毅. 计算机工程与应用. 2017(03)
[9]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[10]大数据时代的个人隐私保护[J]. 刘雅辉,张铁赢,靳小龙,程学旗. 计算机研究与发展. 2015(01)
博士论文
[1]融合上下文信息的混合协同过滤推荐算法研究[D]. 纪科.北京交通大学 2016
[2]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[3]基于协同过滤技术的推荐方法研究[D]. 郁雪.天津大学 2009
[4]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[5]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]机器学习中隐式因子模型及其优化算法研究[D]. 杨逍.哈尔滨工业大学 2013
本文编号：2996415
【文章来源】：中国民航大学天津市
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
推荐系统工作原理图
图 2-2 基于内容的推荐系统结构该模型中，一般使用余弦相似度来计算两个物品的相似度，相似度取值范围为[0,1]，值越接近 1 表示越相似，其表达示如下： ,= | | | |(2.8)式中 ,表示物品 a 和 b 的相似度，a 和 b 分别表示物品 a 和 b 的向量化特征形式。另一种近似度表示方法是余弦相似度，这种表示考虑了用户评分平均值之间的差异，因而其做法是在评分值中减去平均值，改进之后的取值范围变成了[-1,1],和 Pearson 相关系数一样，改进后的表达式如下： ,=∑ (,)(,)∑ (,) ∑ (,)(2.9)式中 ,表示物品 a 和 b 的相似度， 表示用户 u 的平均评分，,表示用户 u 对物品 a的评分。计算出物品之间的相似度后，根据相似度从高到低选择前 N 个物品出来，利用下式
阵因子分解模型于用户的推荐算法和基于物品的推荐算法可以看成是高质量输入的显示反馈，子分解模型(Singular Value Decomposition ,SVD)[49-51]则是从比较丰富的隐式反测用户的爱好，即通过用户的历史行为间接获得用户的偏好。矩阵因子分解模和用户映射到同一隐空间，并试图通过描述产品和用户两种实体在隐因子上的来预测评分，这些隐因子是根据用户的反馈自动推断出来的。这些隐因子能够测到的评分。于SVD的协同过滤算法在数学上的本质属于一个降维的过程，其具体数学定义意矩阵A×，总能将A分解成三个矩阵的乘积。即：A = U × Σ × 。其中U为的正交阵，Σ为 M 行 N 列的对角阵，并且它主对角线上的元素从上到下依次递， 这 样 Σ 便 由×唯 一 确 定 ， 其 主 对 角 线 元 素 称 为 奇 异 值 。 即 ： , , , , )且( > > > > ), 为 N 行 N 列的正交阵。其下：
【参考文献】：
期刊论文
[1]关联规则推荐的高效分布式计算框架[J]. 李昌盛,伍之昂,张璐,曹杰. 计算机学报. 2019(06)
[2]基于共享知识模型的跨领域推荐算法[J]. 李林峰,刘真,魏港明,任爽,葛梦凡. 电子学报. 2018(08)
[3]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)
[4]融合评分矩阵与评论文本的商品推荐模型[J]. 李琳,刘锦行,孟祥福,苏畅,李鑫,钟珞. 计算机学报. 2018(07)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]基于用户评分和评论信息的协同推荐框架[J]. 谭云志,张敏,刘奕群,马少平. 模式识别与人工智能. 2016(04)
[7]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺. 计算机学报. 2016(08)
[8]一种基于多正则化参数的矩阵分解推荐算法[J]. 张航,叶东毅. 计算机工程与应用. 2017(03)
[9]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋. 软件学报. 2015(06)
[10]大数据时代的个人隐私保护[J]. 刘雅辉,张铁赢,靳小龙,程学旗. 计算机研究与发展. 2015(01)
博士论文
[1]融合上下文信息的混合协同过滤推荐算法研究[D]. 纪科.北京交通大学 2016
[2]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[3]基于协同过滤技术的推荐方法研究[D]. 郁雪.天津大学 2009
[4]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[5]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]机器学习中隐式因子模型及其优化算法研究[D]. 杨逍.哈尔滨工业大学 2013
本文编号：2996415
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2996415.html
