基于圖嵌入的廣告推薦模型
發(fā)布時間：2021-09-23 15:22
隨著互聯(lián)網(wǎng)的普及,以互聯(lián)網(wǎng)為載體的信息大量出現(xiàn),這些信息雖然能夠滿足用戶更多的需求,但是由于信息的爆炸式增長,用戶想要在海量的數(shù)據(jù)中獲取自己想要的信息變的越來越困難,即雖然信息的數(shù)量增加了,但是信息的利用率卻大大降低了,這就導致了信息的超載問題。推薦系統(tǒng)是解決信息超載問題的一種常用手段,往往承擔著信息過濾的責任,需要在海量的信息中挑選用戶感興趣的。推薦系統(tǒng)是可以根據(jù)用戶的特征,信息的屬性,用戶的歷史記錄,將其感興趣的信息和產(chǎn)品推薦給用戶的個性化系統(tǒng)。與搜索引擎不同的是,推薦系統(tǒng)會通過用戶的行為,進行個性化計算得出用戶的興趣,從眾多的候選集中挑選用戶感興趣的內(nèi)容,從而減少用戶的搜索時間,增加信息的利用率。個性化的推薦服務(wù)是推薦系統(tǒng)的主要作用,一個好的推薦系統(tǒng)能夠使用戶對它產(chǎn)生依賴。廣告推薦系統(tǒng)是推薦系統(tǒng)的一個重要分支,近些年,學術(shù)界科研人員不斷地提出專門針對廣告推薦場景的模型。在工業(yè)界,由于廣告推薦能夠產(chǎn)生大量的利潤,也得到了廣泛的關(guān)注。廣告推薦系統(tǒng)通過分析用戶的興趣以及廣告的特征,向用戶推薦其感興趣的廣告。論文首先介紹了廣告推薦系統(tǒng)的相關(guān)概念和研究現(xiàn)狀,之后介紹了常用的推薦模型。然后提...
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
因子分解機示意圖
第 2 章 理論基礎(chǔ)得到： kfniifiniifiWvxvx1 122,21,(( ))………………………(2.5)很明顯的可以看出，F(xiàn)M 的復雜度是 ()2O kn，通過如上公式化簡，F(xiàn)M 的二階項求解只和向量ifv,相關(guān)，可以看到，雖然在訓練期間，F(xiàn)M 的復雜度是大于邏輯回歸的，但是在預測階段它們的復雜度是一樣的，而且 FM 模型的效果會比邏輯回歸模型提升不少。2.2 FFM 算法
2.3 DeepFm 模型目前主流的 CTR 模型，都是在特征工程上下了大功夫。例如，傳統(tǒng)的邏輯回歸模型，結(jié)構(gòu)簡單且可解釋性強，但需要大量的特征工程。不同于傳統(tǒng)模型，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以自動去挖掘特征的隱含關(guān)系。DNN 模型結(jié)構(gòu)主要用來挖掘高階的特征間的隱含關(guān)系，而像 FNN，也就是 FM+DNN，先通過 FM 預訓練嵌入矩陣(Embedding)，再通過 DNN 訓練，這樣的模型結(jié)構(gòu)主要雖然考慮了高階的特征間的隱含關(guān)系，但實際上忽視了低階特征。鑒于低階特征和高階特征都對模型的效果有很大的影響，于是針對 CTR 的深度學習模型寬度深度網(wǎng)絡(luò)(Wide&Deep)就出現(xiàn)了，Wide 部分關(guān)注的是低階特征，Deep 部分則關(guān)注的高階特征，為了進一步提高模型的效果以及泛化的能力，則提出了 DeepFm（Factorization-Machine based Neural Network）模型。
【參考文獻】：
期刊論文
[1]基于用戶非對稱相似性的協(xié)同過濾推薦算法[J]. 黃賢英,龍姝言,謝晉. 四川大學學報(自然科學版). 2018(03)
[2]一種帶標簽的協(xié)同過濾廣告推薦算法[J]. 金紫嫣,張娟,李向軍,溫海平,張華薇. 計算機工程. 2018(04)
[3]基于深度學習的論文個性化推薦算法[J]. 王妍,唐杰. 中文信息學報. 2018(04)
[4]半監(jiān)督集成學習綜述[J]. 蔡毅,朱秀芳,孫章麗,陳阿嬌. 計算機科學. 2017(S1)
[5]基于注意機制編碼解碼模型的答案選擇方法（英文）[J]. Yuan-ping NIE,Yi HAN,Jiu-ming HUANG,Bo JIAO,Ai-ping LI. Frontiers of Information Technology & Electronic Engineering. 2017(04)
[6]基于哈夫曼編碼的選擇算法[J]. 王防修,劉春紅. 武漢輕工大學學報. 2016(02)
[7]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇. 模式識別與人工智能. 2014(08)
[8]推薦系統(tǒng)中的冷啟動問題研究綜述[J]. 孫冬婷,何濤,張福海. 計算機與現(xiàn)代化. 2012(05)
[9]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛. 電子科技大學學報. 2012(02)
[10]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇. 軟件學報. 2008(01)
本文編號：3405949
【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
因子分解機示意圖
第 2 章 理論基礎(chǔ)得到： kfniifiniifiWvxvx1 122,21,(( ))………………………(2.5)很明顯的可以看出，F(xiàn)M 的復雜度是 ()2O kn，通過如上公式化簡，F(xiàn)M 的二階項求解只和向量ifv,相關(guān)，可以看到，雖然在訓練期間，F(xiàn)M 的復雜度是大于邏輯回歸的，但是在預測階段它們的復雜度是一樣的，而且 FM 模型的效果會比邏輯回歸模型提升不少。2.2 FFM 算法
2.3 DeepFm 模型目前主流的 CTR 模型，都是在特征工程上下了大功夫。例如，傳統(tǒng)的邏輯回歸模型，結(jié)構(gòu)簡單且可解釋性強，但需要大量的特征工程。不同于傳統(tǒng)模型，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)可以自動去挖掘特征的隱含關(guān)系。DNN 模型結(jié)構(gòu)主要用來挖掘高階的特征間的隱含關(guān)系，而像 FNN，也就是 FM+DNN，先通過 FM 預訓練嵌入矩陣(Embedding)，再通過 DNN 訓練，這樣的模型結(jié)構(gòu)主要雖然考慮了高階的特征間的隱含關(guān)系，但實際上忽視了低階特征。鑒于低階特征和高階特征都對模型的效果有很大的影響，于是針對 CTR 的深度學習模型寬度深度網(wǎng)絡(luò)(Wide&Deep)就出現(xiàn)了，Wide 部分關(guān)注的是低階特征，Deep 部分則關(guān)注的高階特征，為了進一步提高模型的效果以及泛化的能力，則提出了 DeepFm（Factorization-Machine based Neural Network）模型。
【參考文獻】：
期刊論文
[1]基于用戶非對稱相似性的協(xié)同過濾推薦算法[J]. 黃賢英,龍姝言,謝晉. 四川大學學報(自然科學版). 2018(03)
[2]一種帶標簽的協(xié)同過濾廣告推薦算法[J]. 金紫嫣,張娟,李向軍,溫海平,張華薇. 計算機工程. 2018(04)
[3]基于深度學習的論文個性化推薦算法[J]. 王妍,唐杰. 中文信息學報. 2018(04)
[4]半監(jiān)督集成學習綜述[J]. 蔡毅,朱秀芳,孫章麗,陳阿嬌. 計算機科學. 2017(S1)
[5]基于注意機制編碼解碼模型的答案選擇方法（英文）[J]. Yuan-ping NIE,Yi HAN,Jiu-ming HUANG,Bo JIAO,Ai-ping LI. Frontiers of Information Technology & Electronic Engineering. 2017(04)
[6]基于哈夫曼編碼的選擇算法[J]. 王防修,劉春紅. 武漢輕工大學學報. 2016(02)
[7]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇. 模式識別與人工智能. 2014(08)
[8]推薦系統(tǒng)中的冷啟動問題研究綜述[J]. 孫冬婷,何濤,張福海. 計算機與現(xiàn)代化. 2012(05)
[9]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛. 電子科技大學學報. 2012(02)
[10]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇. 軟件學報. 2008(01)
本文編號：3405949
本文鏈接：http://www.sikaile.net/kejilunwen/shengwushengchang/3405949.html
最近更新
教材專著
