人類(lèi)社會(huì)的進(jìn)步依賴(lài)于信息的交流,推薦系統(tǒng)作為篩選信息的核心技術(shù),承擔(dān)著信息入口的重要角色。隨著信息種類(lèi)的豐富,信息展示方式的多樣化,也衍生了多樣的信息推薦形式。序列推薦算法可以有效建模用戶近期偏好的同時(shí)融合用戶歷史偏好,是一種性能穩(wěn)定且高效的推薦算法。本文以序列推薦和模型可解釋為研究重點(diǎn),針對(duì)學(xué)術(shù)論文推薦場(chǎng)景,進(jìn)行以下研究工作:（1）提出建模用戶行為時(shí)間間隔信息的時(shí)序門(mén)控圖神經(jīng)網(wǎng)絡(luò)Time-GGNN。用戶行為時(shí)間間隔信息是用戶兩次點(diǎn)擊行為之間的間隔時(shí)間,是反映用戶行為間關(guān)聯(lián)度的重要信息。另外,門(mén)控圖神經(jīng)網(wǎng)絡(luò)相比循環(huán)神經(jīng)網(wǎng)絡(luò)可以更好的捕獲用戶行為序列中的復(fù)雜過(guò)渡,本文在此基礎(chǔ)上提出可以建模時(shí)間間隔信息的時(shí)序門(mén)控圖神經(jīng)網(wǎng)絡(luò)。（2）基于時(shí)序門(mén)控圖神經(jīng)網(wǎng)絡(luò)提出序列推薦算法TGGNN4REC。通過(guò)將用戶行為序列由鏈?zhǔn)浇Y(jié)構(gòu)轉(zhuǎn)換為圖結(jié)構(gòu)后,利用前面提出的時(shí)序門(mén)控圖神經(jīng)網(wǎng)絡(luò)對(duì)用戶行為圖進(jìn)行建模得到各個(gè)行為的向量表示,再通過(guò)注意力機(jī)制計(jì)算圖中各個(gè)行為對(duì)用戶下次點(diǎn)擊預(yù)測(cè)的權(quán)重,最后利用此權(quán)重與各個(gè)行為向量計(jì)算得到整個(gè)序列圖全局向量并融合序列圖最后一次行為向量作為用戶下次點(diǎn)擊預(yù)測(cè)向量,通過(guò)此向量預(yù)測(cè)用戶下次... 

【文章來(lái)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(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦算法預(yù)測(cè)示意圖

第2章相關(guān)工作及知識(shí)介紹10品，為用戶點(diǎn)擊物品序列，？表示需要預(yù)測(cè)的物品，通過(guò)序列推薦算法將？處物品預(yù)測(cè)。圖2.2序列推薦算法工作原理示意圖2002年，Shani[15]等人首次提出的基于馬爾科夫鏈的序列推薦算法模型，由于當(dāng)時(shí)應(yīng)用場(chǎng)景以及數(shù)據(jù)量的限制，序列推薦算法的研究工作在一段時(shí)間內(nèi)沒(méi)有取得突破性的進(jìn)展。直到2015年，Hidasi[17]等人首次將循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用于序列推薦任務(wù)中提出了GRU4Rec，該模型首次提出循環(huán)神經(jīng)網(wǎng)絡(luò)單元應(yīng)用于序列推薦的訓(xùn)練方式和評(píng)估方法，并取得很好的實(shí)驗(yàn)效果。GRU4Rec也是首次將深度學(xué)習(xí)應(yīng)用到序列推薦領(lǐng)域所提出的模型，后面會(huì)對(duì)該模型進(jìn)行詳細(xì)介紹。2.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)[31]、卷積神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的三種基本神經(jīng)網(wǎng)絡(luò)形式。卷積神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)無(wú)法處理長(zhǎng)短不一的序列數(shù)據(jù)。而循環(huán)神經(jīng)網(wǎng)絡(luò)則是專(zhuān)門(mén)用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)單元，被廣泛應(yīng)用于解決語(yǔ)言建模問(wèn)題[28]、文本分類(lèi)問(wèn)題[29]、機(jī)器翻譯問(wèn)題[30]。圖2.3循環(huán)神經(jīng)網(wǎng)絡(luò)序列結(jié)構(gòu)圖[28]圖2.3左為循環(huán)神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)圖，圖2.3右為循環(huán)神經(jīng)網(wǎng)絡(luò)時(shí)間序列圖，序列的每一個(gè)單元稱(chēng)為“時(shí)間步”。在時(shí)間步，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元輸入狀態(tài)，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元的隱藏狀態(tài)，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元的輸出狀態(tài)，

第2章相關(guān)工作及知識(shí)介紹10品，為用戶點(diǎn)擊物品序列，？表示需要預(yù)測(cè)的物品，通過(guò)序列推薦算法將？處物品預(yù)測(cè)。圖2.2序列推薦算法工作原理示意圖2002年，Shani[15]等人首次提出的基于馬爾科夫鏈的序列推薦算法模型，由于當(dāng)時(shí)應(yīng)用場(chǎng)景以及數(shù)據(jù)量的限制，序列推薦算法的研究工作在一段時(shí)間內(nèi)沒(méi)有取得突破性的進(jìn)展。直到2015年，Hidasi[17]等人首次將循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用于序列推薦任務(wù)中提出了GRU4Rec，該模型首次提出循環(huán)神經(jīng)網(wǎng)絡(luò)單元應(yīng)用于序列推薦的訓(xùn)練方式和評(píng)估方法，并取得很好的實(shí)驗(yàn)效果。GRU4Rec也是首次將深度學(xué)習(xí)應(yīng)用到序列推薦領(lǐng)域所提出的模型，后面會(huì)對(duì)該模型進(jìn)行詳細(xì)介紹。2.2.2循環(huán)神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)[31]、卷積神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的三種基本神經(jīng)網(wǎng)絡(luò)形式。卷積神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)無(wú)法處理長(zhǎng)短不一的序列數(shù)據(jù)。而循環(huán)神經(jīng)網(wǎng)絡(luò)則是專(zhuān)門(mén)用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)單元，被廣泛應(yīng)用于解決語(yǔ)言建模問(wèn)題[28]、文本分類(lèi)問(wèn)題[29]、機(jī)器翻譯問(wèn)題[30]。圖2.3循環(huán)神經(jīng)網(wǎng)絡(luò)序列結(jié)構(gòu)圖[28]圖2.3左為循環(huán)神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)圖，圖2.3右為循環(huán)神經(jīng)網(wǎng)絡(luò)時(shí)間序列圖，序列的每一個(gè)單元稱(chēng)為“時(shí)間步”。在時(shí)間步，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元輸入狀態(tài)，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元的隱藏狀態(tài)，表示循環(huán)神經(jīng)網(wǎng)絡(luò)單元的輸出狀態(tài)，

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的可解釋性[J]. 吳飛,廖彬兵,韓亞洪.  航空兵器. 2019(01)
[2]個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J]. 劉建國(guó),周濤,汪秉宏.  自然科學(xué)進(jìn)展. 2009(01)



本文編號(hào)：3446542