近年來互聯(lián)網(wǎng)漸漸融入到生活中的每個角落,推薦系統(tǒng)也因此得到了迅速發(fā)展,生活中的方方面面可能都會受到推薦算法的影響。推薦算法的優(yōu)劣在工業(yè)界常使用線上推薦產(chǎn)品的點(diǎn)擊率來衡量,更高的點(diǎn)擊率可以帶來更高的產(chǎn)品收入。因而研究員和工程師們一直在致力于通過算法的改進(jìn)提升產(chǎn)品的點(diǎn)擊率,CTR預(yù)測模型的研究成為了推薦領(lǐng)域重要的課題之一。本文從CTR預(yù)估角度出發(fā),通過對深度學(xué)習(xí)模型的優(yōu)化來提高排序算法準(zhǔn)確率,進(jìn)而提升新聞推薦效果。此外,本文還從強(qiáng)化學(xué)習(xí)角度出發(fā),將其應(yīng)用到新聞推薦場景中提出新的推薦算法,并且針對利用模擬器評價(jià)強(qiáng)化學(xué)習(xí)模型存在較大偏置的問題,提出了一種離線評估指標(biāo)。本文做的主要工作和貢獻(xiàn)如下:(1)提出了一種基于雙交叉深度網(wǎng)絡(luò)的排序算法。本文提出一種雙交叉深度網(wǎng)絡(luò)(Double Cross&Deep Network,DCDN)提高新聞推薦準(zhǔn)確率。該網(wǎng)絡(luò)是基于深度交叉網(wǎng)絡(luò)(Deep&Cross Network,DCN)改進(jìn)的一個算法,可以應(yīng)用于CTR預(yù)估領(lǐng)域,特別是針對新聞推薦場景。模型的特征交叉部分改進(jìn)為雙交叉網(wǎng)絡(luò),使其能夠側(cè)重某類特征與其他類特征的交叉建模,讓模型更加高效準(zhǔn)...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
    1.3 研究內(nèi)容和主要工作
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 推薦系統(tǒng)
        2.1.1 推薦系統(tǒng)架構(gòu)
        2.1.2 推薦系統(tǒng)目標(biāo)
    2.2 推薦算法介紹
        2.2.1 協(xié)同過濾算法
        2.2.2 FM與FFM
        2.2.3 Wide & Deep與Deep FM
    2.3 強(qiáng)化學(xué)習(xí)
        2.3.1 強(qiáng)化學(xué)習(xí)框架
        2.3.2 常見強(qiáng)化學(xué)習(xí)算法
第三章 雙交叉深度網(wǎng)絡(luò)排序算法
    3.1 引言
    3.2 算法設(shè)計(jì)
        3.2.1 相關(guān)模型介紹
        3.2.2 DCDN模型結(jié)構(gòu)
    3.3 實(shí)驗(yàn)驗(yàn)證
        3.3.1 數(shù)據(jù)集
        3.3.2 數(shù)據(jù)預(yù)處理
        3.3.3 實(shí)驗(yàn)結(jié)果和分析
    3.4 本章小結(jié)
第四章 基于深度強(qiáng)化學(xué)習(xí)的新聞推薦算法
    4.1 引言
    4.2 算法設(shè)計(jì)與應(yīng)用
        4.2.1 深度強(qiáng)化學(xué)習(xí)
        4.2.2 DDPG在新聞推薦中的應(yīng)用
    4.3 實(shí)驗(yàn)驗(yàn)證
        4.3.1 數(shù)據(jù)集
        4.3.2 離線評價(jià)指標(biāo)QAUC
        4.3.3 實(shí)驗(yàn)結(jié)果和分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得的研究成果



本文編號：3777216