基于深度学习的矩阵分解情境感知推荐方法研究
发布时间：2021-08-26 02:34
为了令现有推荐系统满足高度稀疏数据环境下用户的智能化推荐需求,越来越多学者针对情境感知推荐方法进行了研究和改进。情境感知推荐领域,情境信息包含两类,本文将之归纳为:静态情境信息、动态情境信息。静态情境信息即用户、项目所固有的属性,其取值范围可为推荐系统预先观测。动态情境信息则是用户在与项目交互过程中蕴含用户偏好等特征的评论或标注信息。现有的推荐方法,没有充分考虑到情境信息对用户评分的影响,造成推荐精度不高,无法满足用户智能推荐需求等问题。针对此类问题,本文关于情境感知推荐方法的研究,细化为针对两类不同情境信息而分别提出两种情境感知推荐模型。首先,针对静态情境信息,本文研究将可选择的静态情境信息作为独立特征向量,引入到传统矩阵分解模型中,将其与用户因子、项目因子分别交互后的累加值作为预测值输出,从而提出一种融入静态情境信息的矩阵分解推荐模型。另外,针对动态情境信息,传统推荐系统难以有效提取其动态变化的隐含特征,且存在评分信息与情境信息割裂等问题。本文通过引入深度学习技术,分别学习到评分与动态评论数据的深层非线性特征,并通过深度融合层对多源特征向量进行交叉融合,提出一种基于深度学习的多源特...
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
BERT模型结构
第2章相关工作及研究理论基础15图2-2Transformer编码单元结构Encoder输入为文本的词嵌入表示，加入位置信息后经过Self-attention层去计算文本中某一词与全部词语交互关系，再利用交互关系调整每个词的权重获得新的表达，这个新的表达不但蕴含了该词本身的语义，还蕴含了其他词与这个词的关系。BERT模型训练方面创新性的采用“maskedlanguagemodel”和“下一句子预测”两个任务分别捕获词语级和语句级特征表示，进行联合训练。“maskedlanguagemodel”采用一类简单方法：随机mask15%输入词语，然后基于被遮掩词语上下文进行遮掩词语预测。对于被遮掩的词语，采用以下策略：（1）80%时间采用mask遮掩目标词（2）10%时间采用随机词语替代目标词（3）10%时间不遮掩目标词如此策略优点在于：预测某一词时，模型不知道输入词语是否正确，使得模型必须充分依赖上下文语义信息。至于总量仅为1.5%的随机遮掩替代词，不会影响模型的语言理解能力。“下一句子预测”任务：给定句子对，判别其是否为连续句子，以此捕获句子级别特征。具体的实现方式是选择一些句子对A与B，其中50%的数据B是A的下一条句子，剩余50%的数据B是语料库中随机选择的，学习其中的相关性，
第3章融入静态情境信息的矩阵分解推荐模型27Social0.02059Weather0.01428Time0.00921Season0.00855Physical0.00839Decision0.00813Daytype0.00579Location0.00492为了选择适当的情境变量加入模型，本文研究了在引入不同数目的情境信息下，模型均方根误差最优值，如图3-1所示，其中横坐标为加入的情境变量数，纵坐标为相应的RMSE值。图3-1情境维度对预测精度影响由图3-1可知在本文模型中加入信息增益值前五的情境变量时，可令模型取得最小RMSE值。本文实验数据集2中，不存在类似心情、季节等明显的情境维度信息，本文选择电影类型、用户职业作为附加的情境维度参与模型的交互计算。
【参考文献】：
期刊论文
[1]智能推荐系统中协同过滤算法综述[J]. 蒲鲜霖. 中国新通信. 2018(23)
[2]个性化推荐算法研究综述[J]. 张志威. 信息与电脑(理论版). 2018(17)
[3]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[4]基于用户打分和评论的推荐算法研究[J]. 祁燕,岳添骏,杨大为. 沈阳理工大学学报. 2018(02)
[5]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)
[6]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)
[7]基于用户近邻的N维张量分解推荐算法[J]. 陈健美,孙亚军. 计算机工程. 2017(11)
[8]基于情境感知的个性化推荐算法[J]. 时念云,李秋月. 计算机系统应用. 2017(09)
[9]基于排序学习的推荐算法研究综述[J]. 黄震华,张佳雯,田春岐,孙圣力,向阳. 软件学报. 2016(03)
[10]移动环境下基于情境感知的个性化阅读推荐研究[J]. 曾子明,陈贝贝. 情报理论与实践. 2015(12)
博士论文
[1]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
硕士论文
[1]面向社交网络关系的矩阵分解算法的推荐系统研究[D]. 师彬杰.华中科技大学 2017
本文编号：3363370
【文章来源】：辽宁大学辽宁省 211工程院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
BERT模型结构
第2章相关工作及研究理论基础15图2-2Transformer编码单元结构Encoder输入为文本的词嵌入表示，加入位置信息后经过Self-attention层去计算文本中某一词与全部词语交互关系，再利用交互关系调整每个词的权重获得新的表达，这个新的表达不但蕴含了该词本身的语义，还蕴含了其他词与这个词的关系。BERT模型训练方面创新性的采用“maskedlanguagemodel”和“下一句子预测”两个任务分别捕获词语级和语句级特征表示，进行联合训练。“maskedlanguagemodel”采用一类简单方法：随机mask15%输入词语，然后基于被遮掩词语上下文进行遮掩词语预测。对于被遮掩的词语，采用以下策略：（1）80%时间采用mask遮掩目标词（2）10%时间采用随机词语替代目标词（3）10%时间不遮掩目标词如此策略优点在于：预测某一词时，模型不知道输入词语是否正确，使得模型必须充分依赖上下文语义信息。至于总量仅为1.5%的随机遮掩替代词，不会影响模型的语言理解能力。“下一句子预测”任务：给定句子对，判别其是否为连续句子，以此捕获句子级别特征。具体的实现方式是选择一些句子对A与B，其中50%的数据B是A的下一条句子，剩余50%的数据B是语料库中随机选择的，学习其中的相关性，
第3章融入静态情境信息的矩阵分解推荐模型27Social0.02059Weather0.01428Time0.00921Season0.00855Physical0.00839Decision0.00813Daytype0.00579Location0.00492为了选择适当的情境变量加入模型，本文研究了在引入不同数目的情境信息下，模型均方根误差最优值，如图3-1所示，其中横坐标为加入的情境变量数，纵坐标为相应的RMSE值。图3-1情境维度对预测精度影响由图3-1可知在本文模型中加入信息增益值前五的情境变量时，可令模型取得最小RMSE值。本文实验数据集2中，不存在类似心情、季节等明显的情境维度信息，本文选择电影类型、用户职业作为附加的情境维度参与模型的交互计算。
【参考文献】：
期刊论文
[1]智能推荐系统中协同过滤算法综述[J]. 蒲鲜霖. 中国新通信. 2018(23)
[2]个性化推荐算法研究综述[J]. 张志威. 信息与电脑(理论版). 2018(17)
[3]深度学习研究综述[J]. 张荣,李伟平,莫同. 信息与控制. 2018(04)
[4]基于用户打分和评论的推荐算法研究[J]. 祁燕,岳添骏,杨大为. 沈阳理工大学学报. 2018(02)
[5]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)
[6]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)
[7]基于用户近邻的N维张量分解推荐算法[J]. 陈健美,孙亚军. 计算机工程. 2017(11)
[8]基于情境感知的个性化推荐算法[J]. 时念云,李秋月. 计算机系统应用. 2017(09)
[9]基于排序学习的推荐算法研究综述[J]. 黄震华,张佳雯,田春岐,孙圣力,向阳. 软件学报. 2016(03)
[10]移动环境下基于情境感知的个性化阅读推荐研究[J]. 曾子明,陈贝贝. 情报理论与实践. 2015(12)
博士论文
[1]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
硕士论文
[1]面向社交网络关系的矩阵分解算法的推荐系统研究[D]. 师彬杰.华中科技大学 2017
本文编号：3363370
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3363370.html
