現(xiàn)如今,隨著智能設(shè)備更新速度加快,人們的生活方式和生活習(xí)慣不斷發(fā)生變化,互聯(lián)網(wǎng)已經(jīng)成為人們?cè)谌粘Ｉ钪蝎@取信息最方便快捷的渠道。但是,在互聯(lián)網(wǎng)為人們生活帶來(lái)便利的同時(shí),“信息爆炸”也隨之而來(lái)。推薦系統(tǒng)和搜索引擎,作為兩種不同的信息過(guò)濾技術(shù),均可以有效地緩解信息過(guò)載給網(wǎng)絡(luò)所帶來(lái)的問(wèn)題。與搜索引擎不同的是,推薦系統(tǒng)是一種隱式、主動(dòng)的個(gè)性化信息過(guò)濾技術(shù),它不需要用戶的顯示觸發(fā)(如:主動(dòng)提供檢索關(guān)鍵詞),它可以根據(jù)用戶的顯示評(píng)分記錄和隱式瀏覽點(diǎn)擊記錄等歷史數(shù)據(jù)作為判斷依據(jù),為目標(biāo)用戶縮小用戶可能會(huì)感興趣的項(xiàng)目規(guī)模。例如,推薦系統(tǒng)可以幫助內(nèi)容提供方(門戶網(wǎng)站、自媒體、商家)更好地定位潛在客戶,從而為商家?guī)?lái)豐厚的經(jīng)濟(jì)利益;同時(shí),推薦系統(tǒng)還可以幫助用戶更加準(zhǔn)確地發(fā)現(xiàn)目標(biāo)商品,節(jié)省用戶的信息過(guò)濾時(shí)間,提升用戶對(duì)內(nèi)容的滿意度以及對(duì)內(nèi)容提供方的忠誠(chéng)度。據(jù)統(tǒng)計(jì),Netflix~1的觀影記錄80%來(lái)自于Netflix網(wǎng)站的推薦系統(tǒng)~([1]),YouTube~2上60%的視頻點(diǎn)擊來(lái)自于YouTube的主頁(yè)推薦~([2])。此外,推薦系統(tǒng)的應(yīng)用不僅僅局限于視頻網(wǎng)站的應(yīng)用上,在我們身邊,推薦系統(tǒng)隨處可見(jiàn)。推薦系統(tǒng)可以為人們推薦商品、音樂(lè)、餐館、工作職位、理財(cái)產(chǎn)品等等�？梢钥闯�,推薦系統(tǒng)已經(jīng)成為人們生活中不可缺少的一部分。因此,對(duì)于推薦系統(tǒng)的核心算法進(jìn)行深入地分析研究是非常有意義的,也是十分必要的。根據(jù)推薦策略及實(shí)際應(yīng)用場(chǎng)景的不同,常用的推薦系統(tǒng)可以被分為三類:基于協(xié)同過(guò)濾的推薦系統(tǒng)、基于內(nèi)容的推薦系統(tǒng)和混合式推薦系統(tǒng)�；趨f(xié)同過(guò)濾的推薦系統(tǒng)旨在利用物品與物品、用戶與用戶、用戶與物品間的關(guān)系進(jìn)行推薦;基于內(nèi)容的推薦系統(tǒng)則是從用戶已進(jìn)行反饋的內(nèi)容出發(fā),通過(guò)比對(duì)待反饋內(nèi)容與已反饋內(nèi)容的相似性,找到用戶可能感興趣的內(nèi)容;混合式推薦系統(tǒng)則是將以上兩個(gè)策略的優(yōu)勢(shì)相結(jié)合,同時(shí)考慮物品的內(nèi)容信息與協(xié)同交互關(guān)系來(lái)發(fā)現(xiàn)更為精準(zhǔn)的推薦內(nèi)容。從模型的實(shí)際效果來(lái)看,混合式推薦系統(tǒng)要優(yōu)于基于協(xié)同過(guò)濾的推薦系統(tǒng),基于協(xié)調(diào)過(guò)濾的推薦系統(tǒng)要優(yōu)于基于內(nèi)容的推薦系統(tǒng)。在基于協(xié)同過(guò)濾的推薦系統(tǒng)中,隱語(yǔ)義模型(Latent Factor Model)是一類預(yù)測(cè)效果最好、應(yīng)用場(chǎng)景最廣的推薦模型。顧名思義,“隱語(yǔ)義”是該模型的核心,具體體現(xiàn)在模型可以根據(jù)用戶與物品間的評(píng)分矩陣,將用戶和物品映射到一個(gè)共享的隱式特征向量空間(latent vector space)中,利用隱式特征向量(latent factor vector)分別表示用戶和物品,然后在隱式特征向量的基礎(chǔ)上,對(duì)用戶評(píng)分進(jìn)行建模,從而完成評(píng)分預(yù)測(cè)。最后,系統(tǒng)可以根據(jù)預(yù)測(cè)好的評(píng)分為用戶進(jìn)行推薦。由于隱語(yǔ)義模型適用場(chǎng)景多、實(shí)現(xiàn)簡(jiǎn)單并且評(píng)分預(yù)測(cè)準(zhǔn)確率高,因此許多推薦系統(tǒng)的核心思想都是以“隱語(yǔ)義”思想為基礎(chǔ)。盡管隱語(yǔ)義模型有著上述諸多優(yōu)點(diǎn),但隨著數(shù)據(jù)規(guī)模日益龐大,用戶評(píng)分矩陣越來(lái)越稀疏,僅僅以用戶物品間的評(píng)分為依據(jù)的傳統(tǒng)隱語(yǔ)義模型在預(yù)測(cè)效果上受到很大程度的影響。同時(shí),通過(guò)深入分析傳統(tǒng)的隱語(yǔ)義模型的內(nèi)在機(jī)制我們發(fā)現(xiàn)隱語(yǔ)義模型還存在許多可以提升的方面:1)用戶的偏好是多種多樣的,而傳統(tǒng)的隱語(yǔ)義模型構(gòu)建了一種固定的用戶隱式偏好向量表示,沒(méi)有將用戶偏好的“個(gè)性多樣化”特征考慮進(jìn)來(lái);2)除了用戶物品的評(píng)分矩陣外,與推薦系統(tǒng)相關(guān)的公開(kāi)數(shù)據(jù)集中包含著大量與物品相關(guān)的輔助信息(side-information),如物品特征的文字描述、用戶對(duì)物品的文字評(píng)價(jià)和物品的圖像信息等等,但是在構(gòu)建物品隱式特征向量時(shí),傳統(tǒng)的隱語(yǔ)義模型并沒(méi)有將這些輔助信息考慮進(jìn)來(lái);3)用戶偏好與物品特征間有著緊密復(fù)雜的聯(lián)系,但是傳統(tǒng)的隱語(yǔ)義模型在預(yù)測(cè)用戶評(píng)分時(shí)只利用了簡(jiǎn)單的內(nèi)積計(jì)算(dot production)來(lái)建模用戶偏好向量和物品特征向量間的交互關(guān)系。針對(duì)上述可改進(jìn)的方面,本文以用戶物品評(píng)分矩陣為主,融合大量輔助信息,從用戶、物品以及用戶物品間的關(guān)系這三個(gè)方面,結(jié)合混合推薦系統(tǒng)的思想,提出三種新穎有效的混合隱語(yǔ)義模型來(lái)緩解評(píng)分矩陣稀疏對(duì)隱語(yǔ)義模型的影響,同時(shí)提升隱語(yǔ)義模型的評(píng)分預(yù)測(cè)準(zhǔn)確度。首先,針對(duì)隱語(yǔ)義模型用戶偏好向量缺乏“個(gè)性多樣化”問(wèn)題,本文提出一種自適應(yīng)性深層隱語(yǔ)義模型(Adaptive Deep Latent Factor Model--ADLFM)。ADLFM模型將物品文本描述與用戶物品間的評(píng)分矩陣相結(jié)合,利用卷積神經(jīng)網(wǎng)絡(luò)抽取全局高階語(yǔ)義特征,構(gòu)造用戶偏好向量及物品特征向量。同時(shí),利用注意力機(jī)制實(shí)現(xiàn)一種“自適應(yīng)性”用戶偏好表示方法,該表示方法可以根據(jù)某一特定待評(píng)分物品對(duì)用戶偏好向量進(jìn)行動(dòng)態(tài)構(gòu)建,將注意力集中在與待評(píng)分物品相關(guān)的局部偏好上,使用戶偏好的表達(dá)更加準(zhǔn)確,進(jìn)一步使評(píng)分預(yù)測(cè)更加精確;接下來(lái),針對(duì)傳統(tǒng)隱語(yǔ)義模型通常只利用單一信息源來(lái)學(xué)習(xí)物品特征向量的情況,本文提出一種基于多模態(tài)特征融合的隱語(yǔ)義模型(Deep Latent Factor Model with Fusion of Multi-modal Features--FLFM)。受信息檢索領(lǐng)域中的跨模態(tài)檢索(Cross-Modal Retrieval)的啟發(fā),本文設(shè)計(jì)了一個(gè)新穎的物品多模態(tài)特征融合模塊,可以有效地將物品的文字描述信息與物品的圖像信息進(jìn)行融合,學(xué)習(xí)到更加貼切的物品特征向量,從而提高評(píng)分預(yù)測(cè)的準(zhǔn)確率;最后,針對(duì)傳統(tǒng)隱語(yǔ)義模型在對(duì)用戶偏好與物品特征間的關(guān)系進(jìn)行建模時(shí)過(guò)于簡(jiǎn)單的問(wèn)題,本文提出一種基于層次化度量的深層隱語(yǔ)義模型(Deep Latent Factor Model with Hierarchical Similarity Measure--DLFM-HSM),DLFM-HSM模型將傳統(tǒng)隱語(yǔ)義模型中的用戶偏好向量替換為用戶偏好矩陣,使得用戶的偏好可以被更加全面地表示出來(lái)。通過(guò)對(duì)用戶評(píng)分進(jìn)行層次化建模,DLFM-HSM可以有效地區(qū)分出用戶對(duì)物品不同特征的局部偏好,并放大這些局部偏好,從而將用戶與物品間的關(guān)系準(zhǔn)確刻畫出來(lái),提高評(píng)分預(yù)測(cè)的準(zhǔn)確度。此外,與層次化建模相關(guān)的層次相似度度量方法不包含任何參數(shù),因此不需要額外的參數(shù)訓(xùn)練。大量實(shí)驗(yàn)結(jié)果表明,本文提出的三個(gè)混合式隱語(yǔ)義模型可以有效地緩解數(shù)據(jù)稀疏所帶來(lái)的問(wèn)題,提高評(píng)分預(yù)測(cè)的準(zhǔn)確率。
【學(xué)位單位】：吉林大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2020
【中圖分類】：TP391.3;TP18
【部分圖文】：

通過(guò)觀察圖1-1,我們發(fā)現(xiàn),隱語(yǔ)義模型涉及四個(gè)關(guān)鍵因素:隱式空間特征、用戶隱式特征映射、物品隱式特征映射及用戶與物品間的關(guān)系建模。其中的每一個(gè)因素都關(guān)系到隱語(yǔ)義模型效果的優(yōu)劣�；诰仃嚪纸獾膮f(xié)同過(guò)濾方法[12]是一種最簡(jiǎn)單的隱語(yǔ)義模型,同時(shí)也是其他隱語(yǔ)義模型的思想基礎(chǔ)和方法基礎(chǔ)。它首先將用戶和物品間的顯示評(píng)分(explicit ratings)構(gòu)造成一個(gè)評(píng)分矩陣,然后對(duì)評(píng)分矩陣分解,得到兩個(gè)低秩矩陣,分別用來(lái)表示用戶隱式特征和物品隱式特征,然后再利用矩陣乘積對(duì)矩陣中的缺失評(píng)分進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,與其他的協(xié)同過(guò)濾方式相比,在評(píng)分預(yù)測(cè)任務(wù)上,基于矩陣分解的協(xié)同過(guò)濾有著更好的準(zhǔn)確性。但是,通過(guò)觀察整體流程,我們發(fā)現(xiàn)隱語(yǔ)義模型面臨以下四個(gè)挑戰(zhàn):1)用戶隱式特征個(gè)性化挑戰(zhàn):在現(xiàn)有的基于矩陣分解的隱語(yǔ)義模型中,用戶的隱式特征向量表示通常是固定的。從實(shí)際意義的角度來(lái)解釋,用戶的隱式特征向量表示的是用戶對(duì)全部特征的偏好程度。但是,用戶在面對(duì)不同的物品時(shí),他所關(guān)注的側(cè)重點(diǎn)自然不同。因此,如果能夠?qū)⒂脩魧?duì)與目標(biāo)物品相關(guān)的物品特征的偏好進(jìn)行局部放大,則能夠更好地刻畫出用戶對(duì)某一特定物品的偏好程度。我們將這個(gè)問(wèn)題稱為用戶隱式特征的“個(gè)性多樣化問(wèn)題”。如何解決該問(wèn)題是本文要面臨的第一個(gè)挑戰(zhàn);

2)物品隱式特征向量單一性:圖1-2為Amazon5公共數(shù)據(jù)集中關(guān)于物品的元信息(meta-information),圖1-3為Amazon用戶對(duì)物品的某一條評(píng)價(jià)實(shí)例。通過(guò)實(shí)際數(shù)據(jù)集我們發(fā)現(xiàn),關(guān)于某一個(gè)物品的輔助信息(side information)是非常豐富的,包括文字描述、圖片、物品類別等等。由于以上這些輔助信息屬于模態(tài)不同的信息,現(xiàn)有的隱語(yǔ)義模型通常只是利用評(píng)分或者其中一種單一模態(tài)的信息來(lái)進(jìn)行建模,因此在很大程度上限制了物品隱式特征的表達(dá)能力。我們將該問(wèn)題稱為“物品隱式特征表達(dá)單一性問(wèn)題”,如何解決該問(wèn)題是我們要解決的第二個(gè)挑戰(zhàn);圖1-3 Amazon數(shù)據(jù)集中評(píng)論信息等描述實(shí)例

圖1-2 Amazon數(shù)據(jù)集中物品元信息等描述實(shí)例3)用戶與物品間關(guān)系建模:隱語(yǔ)義模型通常利用兩個(gè)低維矩陣相乘的方式來(lái)預(yù)測(cè)用戶對(duì)尚未評(píng)分物品的可能評(píng)分。從計(jì)算機(jī)制來(lái)看,根據(jù)矩陣相乘的原理,評(píng)分預(yù)測(cè)過(guò)程可以看作是用戶隱式特征向量與物品隱式特征向量之間的內(nèi)積運(yùn)算;從實(shí)際意義來(lái)分析,評(píng)分預(yù)測(cè)過(guò)程可以被看作是用戶偏好(preference)與物品客觀屬性(property)在各個(gè)的隱式特征維度上交互強(qiáng)度(interaction)的整合,是對(duì)用戶和物品間的關(guān)系進(jìn)行建模。通過(guò)對(duì)計(jì)算機(jī)制進(jìn)行深入分析之后,我們發(fā)現(xiàn)現(xiàn)有的大部分隱語(yǔ)義模型在對(duì)用戶與物品間的關(guān)系進(jìn)行建模時(shí),通常只是采用簡(jiǎn)單的內(nèi)積計(jì)算方法。因此如何有效地對(duì)用戶與物品間的交互關(guān)系進(jìn)行建模是我們所要面臨的第三個(gè)挑戰(zhàn);
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張玉連;袁偉;;隱語(yǔ)義模型下的科技論文推薦[J];計(jì)算機(jī)應(yīng)用與軟件;2015年02期

2 孫艷;朱玉全;陳耿;;基于隱語(yǔ)義模型的協(xié)同過(guò)濾圖書推薦方法[J];信息技術(shù);2015年11期

3 邊文龍;黃曉霞;;融合隱語(yǔ)義模型的聚類協(xié)同過(guò)濾[J];微型機(jī)與應(yīng)用;2015年15期

4 李琳娜;江雪琴;;推薦系統(tǒng)中的隱語(yǔ)義模型研究[J];情報(bào)工程;2016年04期

5 薛琳蘭;;基于隱語(yǔ)義模型的電商推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];數(shù)字通信世界;2020年07期

6 陳永鋒;朱振宇;;綜合隱語(yǔ)義模型和信任關(guān)系網(wǎng)絡(luò)的個(gè)性化推薦[J];科技創(chuàng)新與應(yīng)用;2017年03期

7 紀(jì)丙全;顏建岡;;運(yùn)用語(yǔ)義模型 解答化學(xué)實(shí)驗(yàn)題[J];教育與裝備研究;2019年08期

8 金辰浩;;基于互聯(lián)網(wǎng)大數(shù)據(jù)的設(shè)計(jì)語(yǔ)義模型[J];工業(yè)設(shè)計(jì);2017年10期

9 趙正利;王國(guó)宇;籍芳;;一種基于相關(guān)反饋的圖像內(nèi)在語(yǔ)義模型[J];微計(jì)算機(jī)信息;2007年24期

10 李大強(qiáng);關(guān)于動(dòng)態(tài)的真理語(yǔ)義模型[J];科學(xué)技術(shù)與辯證法;2001年03期

相關(guān)博士學(xué)位論文 前10條

1 韓佳育;基于深度學(xué)習(xí)的混合式隱語(yǔ)義推薦模型研究[D];吉林大學(xué);2020年

2 石俊飛;基于層次語(yǔ)義模型與散射機(jī)理的極化SAR地物分類[D];西安電子科技大學(xué);2016年

3 萬(wàn)毅;循證醫(yī)學(xué)證據(jù)評(píng)價(jià)的語(yǔ)義模型與應(yīng)用研究[D];第四軍醫(yī)大學(xué);2009年

4 王彬;基于實(shí)時(shí)語(yǔ)義模型的模型轉(zhuǎn)換及語(yǔ)義一致性研究[D];昆明理工大學(xué);2011年

5 李學(xué)寧;現(xiàn)代漢語(yǔ)形容詞概念語(yǔ)義模型研究[D];上海交通大學(xué);2008年

6 馬暉男;信息檢索中淺層語(yǔ)義模型的研究[D];大連理工大學(xué);2007年

7 楊靜;UML模型的語(yǔ)義模型[D];貴州大學(xué);2006年

8 李曉建;基于語(yǔ)義的個(gè)性化資源推薦系統(tǒng)中關(guān)鍵技術(shù)研究[D];武漢大學(xué);2010年

9 吳明暉;面向服務(wù)的語(yǔ)義模型驅(qū)動(dòng)企業(yè)應(yīng)用軟件開(kāi)發(fā)方法及關(guān)鍵技術(shù)研究[D];浙江大學(xué);2011年

10 牟冬梅;數(shù)字圖書館知識(shí)組織語(yǔ)義互聯(lián)策略及其應(yīng)用研究[D];吉林大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 范玉強(qiáng);基于隱語(yǔ)義模型的推薦系統(tǒng)研究[D];貴州大學(xué);2016年

2 巫可;基于隱語(yǔ)義模型的個(gè)性化推薦算法的研究[D];廣東工業(yè)大學(xué);2016年

3 杜春河;大數(shù)據(jù)環(huán)境下隱語(yǔ)義模型推薦算法的改進(jìn)與實(shí)現(xiàn)[D];華南理工大學(xué);2017年

4 陳曉云;基于協(xié)同過(guò)濾和隱語(yǔ)義模型的個(gè)性化推薦系統(tǒng)的研究[D];上海交通大學(xué);2018年

5 陳文悅;基于地質(zhì)語(yǔ)義模型和機(jī)器學(xué)習(xí)的成礦遠(yuǎn)景區(qū)預(yù)測(cè)[D];中國(guó)地質(zhì)大學(xué)(北京);2019年

6 徐啟東;基于隱語(yǔ)義模型的個(gè)性化推薦系統(tǒng)研究[D];廣東工業(yè)大學(xué);2019年

7 劉彼洋;基于多粒度潛語(yǔ)義模型和子模最大化的新聞?wù)芯縖D];武漢大學(xué);2017年

8 陳博文;基于隱語(yǔ)義模型的混合推薦模型研究[D];蘭州大學(xué);2019年

9 周川暢;基于深度學(xué)習(xí)與隱語(yǔ)義模型的推薦算法研究與實(shí)現(xiàn)[D];中央民族大學(xué);2019年

10 喻鑫;醫(yī)學(xué)文獻(xiàn)診療風(fēng)險(xiǎn)語(yǔ)句的語(yǔ)義模型與提取[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院重慶綠色智能技術(shù)研究院);2017年

本文編號(hào)：2863222