推薦系統(tǒng)在現(xiàn)代網(wǎng)絡(luò)服務(wù)中發(fā)揮著越來越重要的作用。傳統(tǒng)的推薦模型盡管應(yīng)用前景廣闊,但仍面臨一些挑戰(zhàn):1)當(dāng)能夠獲取到的評分信息非常稀少時,模型容易遭受數(shù)據(jù)稀疏性和冷啟動問題。2)傳統(tǒng)的推薦模型都是淺層模型,無法學(xué)習(xí)到用戶和項目的深層次特征。3)模型的基本假設(shè)是潛在向量各個元素對模型的預(yù)測結(jié)果的權(quán)重相同,會導(dǎo)致用戶-物品間重點關(guān)系表達不顯著。與傳統(tǒng)的推薦模型相比,深度學(xué)習(xí)模型可以自動捕捉數(shù)據(jù)本身內(nèi)部錯綜復(fù)雜的關(guān)系,挖掘到用戶和項目特征。同時它還可以有效捕捉用戶和項目的非線性歷史交互,能夠獲取更復(fù)雜抽象的高階交互特征表示。受人類視覺注意力的啟發(fā),研究學(xué)者們提出了注意力機制理論。它使神經(jīng)網(wǎng)絡(luò)只專注輸入特征中重要的部分,也就是給重要的特征賦予更高的權(quán)重。這樣模型不僅能夠捕獲用戶和項目間的重要組合特征,而且各個特征的權(quán)重值還可以可視化,使得在推薦任務(wù)中,模型具有優(yōu)秀的可解釋性。因此,本文將結(jié)合注意力機制和深度學(xué)習(xí)的優(yōu)勢,提出一種基于自注意力機制的混合推薦算法。本文在以下四個方面對推薦系統(tǒng)做了創(chuàng)新性研宄:（1）如何將多源異構(gòu)輔助信息融合到推薦系統(tǒng)中。在現(xiàn)有的大部分研究工作中,都是采用多層全連接神經(jīng)網(wǎng)... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

推薦系統(tǒng)工作原理圖

上海交通大學(xué)工程碩士學(xué)位論文第二章8反饋數(shù)據(jù)。但是隱式反饋數(shù)據(jù)也存在缺陷，隱式反饋一般都是二元的，一個沒有交互的項目的語義不是很清晰，系統(tǒng)無法判斷是用戶討厭這個項目還是用戶沒有接觸過這個項目，2.2推薦系統(tǒng)算法的類別推薦系統(tǒng)中算法經(jīng)過多年不斷的發(fā)展，逐漸形成了一個類別劃分標(biāo)準(zhǔn)。目前，推薦算法被劃分成三個大類，具體的分類情況如圖2-2所示。圖2-2推薦算法分類Fig.2-2Classificationofrecommendedalgorithms2.2.1基于內(nèi)容的推薦算法算法的核心思想是假如用戶曾經(jīng)交互過某個項目，那么認為用戶會對和這個項目內(nèi)容上相似的項目感興趣，這是一種項目到項目關(guān)聯(lián)的方法，它關(guān)注的是項目本身的內(nèi)容屬性。首先從得到的反饋數(shù)據(jù)中獲取用戶交互過的項目，項目一般被表述為文本的形式，采用文本特征提取技術(shù)（如：TF-IDF[29]）從項目的內(nèi)容文本中抽取關(guān)鍵特征作為用戶的偏好特征，然后提取候選項目的內(nèi)容特征，然后匹配偏好特征與內(nèi)容特征的相似度，最后將相似度值降序排列，將排在前N項候選項目推薦給用戶。其算法構(gòu)建的過程一般包括以下幾個步驟：1）獲取用戶偏好特征。系統(tǒng)會通過用戶的歷史交互過的項目，抽取項目的關(guān)鍵特征信息，然后按照一定的方式構(gòu)建用戶的偏好特征。2）獲取候選項目特征。當(dāng)有新的候選項目加入系統(tǒng)時，系統(tǒng)會采用相關(guān)的

上海交通大學(xué)工程碩士學(xué)位論文第二章10圖2-3基于用戶的協(xié)同過濾的電影推薦Fig.2-3Movierecommendationbasedonusercollaborativefiltering2．基于項目的協(xié)同過濾算法的基本理論是不同的項目在評分上很接近時，認為這些項目具有相似性，目標(biāo)用戶會對和歷史交互過的項目相似的項目感興趣。算法的目的是給用戶推薦和他偏好的項目相似的項目，它與基于內(nèi)容的推薦算法的最大區(qū)別在于計算項目之間的相似性時采用的信息不同，基于內(nèi)容的推薦采用的是項目本身的內(nèi)容描述信息和一些屬性信息，而基于項目的協(xié)同過濾采用的是用戶對項目的評分矩陣。圖2-4給出了基于項目的協(xié)同過濾實例說明，從圖中可知，電影A和電影C同時被用戶甲和用戶乙偏愛，電影B只有用戶乙感興趣，算法認為電影A在一定程度上相似于電影C，于是當(dāng)電影A被用戶丙喜歡時，則認為電影C也會被用戶丙喜歡，所以將電影C推薦給用戶丙。圖2-4基于項目的協(xié)同過濾的電影推薦Fig.2-4MovierecommendationbasedonItemcollaborativefiltering

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學(xué)報. 2018(07)
[2]利用word2vec對中文詞進行聚類的研究[J]. 鄭文超,徐鵬.  軟件. 2013(12)
[3]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應(yīng)用. 2012(07)
[4]個性化推薦系統(tǒng)的研究進展[J]. 劉建國,周濤,汪秉宏.  自然科學(xué)進展. 2009(01)

碩士論文
[1]基于語義的個性化推薦模型研究[D]. 李祉瑩.北京郵電大學(xué) 2015
[2]面向分布式異構(gòu)數(shù)據(jù)源的個性化推薦系統(tǒng)的研究與實現(xiàn)[D]. 吳天龍.哈爾濱工業(yè)大學(xué) 2013



本文編號：3474397