论文部分内容阅读
随着科技的发展,科技产品的普及,以及大数据时代的到来等跨时代的变化,人们所能使用的数据信息量也在不断的增大。如何在繁杂无序的信息中快速精准的找到自己真正感兴趣的信息变成了每个用户所苦恼的问题。为此孕育而生的搜索引擎,能通过用户输入的关键字进行信息过滤,极大的加快了用户筛选信息速度,一定程度上的解决了“信息过载”的问题。然而在无法准确描述自身需求的情况下,搜索引擎便不能提供优质的服务。因此,诞生了更加亲和用户的个性化推荐。个性化推荐便是通过各种推荐算法对项目属性、用户行为等特征信息进行分析,再通过推荐系统为用户提供其真正喜欢的项目。近几年来,深度学习作为机器学习的新兴学科分支,已然成为了互联网大数据和人工智能的主流。在推荐系统领域,也开始关注推荐系统与深度学习模型的融合。与传统的推荐算法相比,基于深度学习模型的推荐算法,融合了深度学习的优点。例如,自动学习用户或者项目的抽象特征,能够使用多种类型的数据作为输入,能比传统推荐系统提取更多隐藏特征的能力。这些都能够使模型更好的找出用户偏好并提高推荐的准确率。本文工作主要以深度学习和推荐系统为基础,通过对深度学习模型、推荐算法和基于深度学习的推荐算法的深入研究,提出融入时间序列的生成对抗网络应用到推荐系统中,其主要用于用户-项目之间的隐特征提取和用户-项目评分预测。同时,根据循环神经网络的思想,本文还提出了一种基于循环生成对抗网络的个性化推荐算法。主要工作如下:(1)针对本文的研究目的,深度了解个性化推荐算法以及当前流行的深度学习模型,重点研究在特征提取、无监督学习和时间特征传递上有显著效果的模型。同时,为了做效果对比,对协同过滤和矩阵分解算法做了大量的研究。为本研究打下了坚实的理论基础。(2)提出了评论数量差异这个指标。由于传统的协同过滤算法是通过余弦相似度等方法,计算用户评价向量之间的偏差作为相似度。这种方法在两个用户的评论数量相差较大时,相对的其相似度的可信性就会降低。因此,用评论数量差异指标让评论数量差异较大的用户的相似度提升,一定程度上的解决了因为评论数量不同导致的相似度偏差。(3)将融入时间序列的生成对抗网络应用于推荐。这是本文研究的核心之一。运用了卷积神经网络特征提取和生成对抗网络对抗概念,并融入时间序列。以此来避免复杂的隐特征提取问题。同时生成器和时间序列的融入能让推荐结果不再单一不变且有迹可循。(4)通过对项目分类或聚类,替换矩阵中的项目的方法,一定程度上的解决了推荐覆盖率不高且训练时间长的问题。生成对抗网络的推荐覆盖率不高,主要是受限于矩阵的大小。因此,在无法扩大矩阵大小的情况下,替换训练矩阵数据,以此保存不同的训练结果模型。(5)提出循环生成对抗网络。结合了循环神经网络和生成对抗网络的思想,让数据的时间信息直接在模型中传递。