發(fā)布時(shí)間：2021-01-30 13:51

　　在如今的信息化社會(huì),人們每天要面對(duì)著海量的信息并進(jìn)行篩選。如何在復(fù)雜的數(shù)據(jù)中尋找到自己最關(guān)注的信息成為了一個(gè)重要而急迫的問題。個(gè)性化推薦系統(tǒng)作為篩選信息的核心技術(shù),一直受到學(xué)者和研究人員的密切關(guān)注。傳統(tǒng)的個(gè)性化推薦技術(shù)在推薦準(zhǔn)確性方面已經(jīng)取得了成功。但這些傳統(tǒng)的推薦算法具有黑盒模型的不可解釋性,深度學(xué)習(xí)在這方面尤其明顯�！跋到y(tǒng)應(yīng)如何向用戶解釋這些建議”這一基本問題尚未引起足夠的重視。缺乏透明度使用戶陷入兩難境地:用戶只能通過采納建議的措施（例如購買排名靠前的商品）來評(píng)估推薦質(zhì)量,但是推薦系統(tǒng)應(yīng)該首先讓用戶建立對(duì)系統(tǒng)的信任�；谶@些原因,推薦的可解釋性已經(jīng)變得和準(zhǔn)確性同等重要,如何研究出準(zhǔn)確性和可解釋性效果同樣好的推薦模型已經(jīng)變成當(dāng)前的熱點(diǎn)問題。本文融合了屬性和評(píng)論兩種常見信息,以推薦系統(tǒng)準(zhǔn)確性和可解釋性作為研究重點(diǎn),進(jìn)行了以下工作:（1）提出了一種新的融合屬性和評(píng)論的可解釋性評(píng)分預(yù)測推薦模型（NERAR）。該模型融合了屬性特征和評(píng)論特征的信息,使用基于樹的模型從輔助信息中學(xué)習(xí)屬性特征,然后使用時(shí)間感知的門控循環(huán)單元（T-GRU）對(duì)用戶當(dāng)前評(píng)論特征進(jìn)行建模;利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：55 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

XGBoost生成的真實(shí)決策樹，白色圓圈內(nèi)代表分類條件

第2章相關(guān)工作及算法綜述10為=[!&"&#&…&?]，稱為關(guān)聯(lián)的交叉特征。如果圖2.2表示第二棵樹，并且交叉特征落在第二個(gè)節(jié)點(diǎn)上，則通過組合第一棵樹的交叉特征，可以獲得兩個(gè)交叉特征：(1):[odor=pungent]&[spore-print-color=orange](2):[odor=pungent]&[gill-size=narrow]&[cap-shape≠conical]圖2.2XGBoost生成的第二棵決策樹2.2可解釋性推薦算法綜述2.2.1基于知識(shí)圖譜的可解釋性推薦算法Gao等[20]通過開發(fā)可解釋的深度推薦模型來減輕準(zhǔn)確性和可解釋性之間的權(quán)衡。該模型實(shí)現(xiàn)了最先進(jìn)的準(zhǔn)確性，并且可以高度解釋。此外，該模型本文能夠準(zhǔn)確地描述分層用戶的興趣。模型可以自動(dòng)推斷多級(jí)用戶偏好，并確定哪個(gè)層次的特征最能吸引用戶的真正興趣，例如，他/他是對(duì)諸如蝦(高級(jí)特征)等感興趣還是對(duì)海鮮(低級(jí)特征)等產(chǎn)品感興趣。Gao等開發(fā)了深層顯式注意力多視圖學(xué)習(xí)模型（DEAML）�；舅枷胧腔诳山忉尩纳疃冉Y(jié)構(gòu)（例如知識(shí)圖）構(gòu)建初始網(wǎng)絡(luò)，并通過優(yōu)化可解釋結(jié)構(gòu)中的關(guān)鍵變量（例如節(jié)點(diǎn)重要性和相關(guān)性）來提高準(zhǔn)確性。為了提高模型的準(zhǔn)確性，提出了一種專注的多視圖學(xué)習(xí)框架來進(jìn)行評(píng)分預(yù)測。在此框架中，不同層次的特征被視為不同的視圖。通過使用注意力機(jī)制將相鄰的視圖連接起來。來自不同層次的結(jié)果將被共同規(guī)范化并組合以做出最終預(yù)測。此框架有助于提高準(zhǔn)確性，因?yàn)?

第2章相關(guān)工作及算法綜述11它對(duì)噪聲具有魯棒性，并能夠充分利用可解釋結(jié)構(gòu)中的分層信息。其次，將個(gè)性化的解釋生成公式化為約束樹節(jié)點(diǎn)選擇問題。為了解決這個(gè)問題，提出了一種動(dòng)態(tài)規(guī)劃算法，該算法以自下而上的方式找到了最佳的解釋特征。模型框架如圖2.3所示。圖2.3DEAML框架圖[20]2.2.2基于評(píng)論的可解釋性推薦算法Chen等[21]介紹了一種新穎的注意力機(jī)制來探討評(píng)論的有效性，并提出了帶有評(píng)論級(jí)別解釋（NARRE）的神經(jīng)注意力回歸模型以進(jìn)行推薦。具體來說，NARRE不僅可以預(yù)測準(zhǔn)確的評(píng)分，還可以同時(shí)了解每次評(píng)論的用處。因此，獲得了非常有用的評(píng)論，這些評(píng)論提供了評(píng)論級(jí)別的解釋，以幫助用戶做出更好，更快的決策。該模型利用了神經(jīng)網(wǎng)絡(luò)建模的最新進(jìn)展-注意機(jī)制自動(dòng)為評(píng)論分配權(quán)重以有監(jiān)督方式。具體來說，提出了一個(gè)加權(quán)函數(shù)，它是一個(gè)多層神經(jīng)網(wǎng)絡(luò)，并以用戶和商品的特征也就是評(píng)論的內(nèi)容作為輸入。此外，NARRE使用兩個(gè)并行的神經(jīng)網(wǎng)絡(luò)共同為用戶和物品學(xué)習(xí)隱藏的潛在特征。一個(gè)網(wǎng)絡(luò)使用用戶編寫的評(píng)論來建模用戶偏好，另一個(gè)網(wǎng)絡(luò)使用商品的書面評(píng)論來建模商品特征。在最后一層，利用隱因子模型，并將其擴(kuò)展到神經(jīng)網(wǎng)絡(luò)以進(jìn)行評(píng)分預(yù)測。NARRE的一般體系結(jié)構(gòu)包括基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）文本處理器的評(píng)論處理層。然后是一個(gè)基于注意力的評(píng)論池化層，這是模型的主要關(guān)注點(diǎn)。之后，模型包含一個(gè)預(yù)測層，這是用于預(yù)測評(píng)分的隱因子模型�？傮w來說，該模型包括以下3個(gè)部分。第一部分，將目標(biāo)用戶寫下的所有評(píng)論和目標(biāo)商品收到的所有評(píng)論輸入到基于文本的卷積神經(jīng)網(wǎng)絡(luò)層中得到所有評(píng)論的向量表示。第二部分，通過注意力機(jī)制將不同評(píng)論的向量表示聚合到一起，分別得到用戶和商品的評(píng)論向量表示。第三部分，將目標(biāo)用戶和目標(biāo)商品的向量表示通


本文編號(hào)：3009011