個(gè)性化正在成為推薦領(lǐng)域的關(guān)鍵研究問(wèn)題,如何將個(gè)人偏好納入推薦模型是一個(gè)亟待解決的難點(diǎn)。之前的研究通常要求用戶以某些方式明確表達(dá)他們對(duì)社交實(shí)體的偏好,這些方式既費(fèi)時(shí)又費(fèi)力。在線網(wǎng)站中用戶與圖像之間有豐富的交互信息,其中最常見(jiàn)的有為圖片點(diǎn)贊,設(shè)置標(biāo)簽和分組等。在本文中,受到人類認(rèn)知和行為相互影響的觀察啟發(fā),我們嘗試從社交媒體平臺(tái)上的偏好行為中感受用戶的偏好。通過(guò)這種方式,我們可以實(shí)現(xiàn)個(gè)性化的推薦,而不會(huì)給用戶增加任何額外的負(fù)擔(dān),并在社交媒體平臺(tái)上為廣大群眾服務(wù)。本文介紹的兩個(gè)工作都與社交媒體中的推薦相關(guān)。第一個(gè)工作為了實(shí)現(xiàn)個(gè)性化美學(xué)圖像推薦這一目標(biāo),我們收集了一系列專業(yè)照片和用戶的交互數(shù)據(jù),并考慮了用戶個(gè)人偏好和通用審美標(biāo)準(zhǔn),以處理用戶偏好行為的不可靠性。此外,我們遵循協(xié)同過(guò)濾的思想,優(yōu)化實(shí)體之間的成對(duì)排名,以緩解數(shù)據(jù)稀疏性問(wèn)題。最后,開(kāi)發(fā)了一種新穎的深度神經(jīng)網(wǎng)絡(luò)架構(gòu),用于個(gè)性化推薦建模。盡管不能明確地觀察用戶的真實(shí)偏好,但仍在兩個(gè)基準(zhǔn)數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn)。結(jié)果證明了我們的個(gè)性化推薦方法的潛力。許多深度學(xué)習(xí)應(yīng)用程序受益于具有多個(gè)回歸和分類目標(biāo)的多任務(wù)學(xué)習(xí)。在實(shí)際任務(wù)中,我們一般聚焦于優(yōu)化...

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１：?ｌｏｇ－ｌｏｇ圖顯不了用戶喜歡的圖像數(shù)量的分布情況??ｘ軸表示每個(gè)用戶喜歡的圖像數(shù)量的降序排列??

從他們的照片中，我們隨機(jī)收集了?５萬(wàn)張圖片，瀏覽次數(shù)超過(guò)２０００??次。這些圖像在主題、色彩、風(fēng)格、布局等方面都有明顯的差異，體現(xiàn)了它們?cè)??美學(xué)方面的不同特征。另外我們收集了把這些專業(yè)照片標(biāo)記為收藏的用戶。圖２－??１為用戶喜歡的圖片數(shù)量在用戶中的分布情況。??１０４??—??....

圖2一3個(gè)性化美學(xué)圖像推薦的網(wǎng)絡(luò)架構(gòu)

?山東火學(xué)碩士學(xué)位論文???Ｌ?＝?－?Ｖ?Ｉｎ／？（／？?＞ｒ?）－／＾Ｖ?—Ｍ?（９－８）??這里正則化項(xiàng)是基于辦ｗ）和ｗ之間的余弦相似度來(lái)定義的，以便消除它們??數(shù)值大小的影響。；Ｉ是調(diào)整兩個(gè)項(xiàng)的相對(duì)重要性的權(quán)衡（Ｔｒａｄｅｏｆｆ）參數(shù)。??

圖2一4收集的專業(yè)照片和高美學(xué)測(cè)試圖像之間的一些近似重復(fù)對(duì)

我們構(gòu)建了一組用戶圖像測(cè)試對(duì)Ｔ＝｛（ｗ，／〇Ｕ；；ｅｚｕ）ｅｙ１／ｌ，并基于Ａ的??評(píng)估結(jié)果評(píng)估了《個(gè)性化表現(xiàn)。這背后的原理是，如果用戶喜歡高美學(xué)圖像的近??似圖片，則該圖像很可能也滿足該用戶的美學(xué)偏好。需要說(shuō)明的是，我們從ｍ的??首選圖像中刪除了／，，，并且在訓(xùn)練個(gè)性化美學(xué)模型....

圖2一5幾參數(shù)的影響

山東火學(xué)碩士學(xué)位論文???．３．４調(diào)參??我們方法中的一個(gè)關(guān)鍵組成部分是在公式２－８中的權(quán)衡（ｔｒａｄｅｏｆｆ）參數(shù)１。??了探究Ａ的影響，我們將＾從１〇－３到１０＋４尺度上變化。觀察到我們的方法的性??變化。圖２－５展示了不同的Ａ數(shù)值給ＡＶＡ和ＣＵＨＫＰＱ的驗(yàn)證集的性能所帶來(lái)?....

本文編號(hào)：3933402