论文部分内容阅读
当下互联网技术飞速发展,海量的信息资源使得网络利用率急剧下降,所以,如何快速为用户推荐出满足其需求条件的信息,并提高推荐系统的个性化和推荐效果的准确性,成为目前尤为突出的待解决研究点。本文针对推荐系统的个性化服务效果和推荐结果的准确度提升等,改进了传统推荐算法,并将深度学习技术与推荐系统相结合,融入到了多Agent推荐框架之中,以此展开深入的研究。本文的主要研究内容如下:(1)针对传统基于协同过滤的推荐中存在的冷启动以及推荐准确度较低的问题,在协同过滤算法的基础上,提出了基于K-means的矩阵分解推荐算法(Matrix Factorization Based on K-means,KMMF)。该算法先提取出兴趣相似的用户,再以此为基础进行矩阵分解。小规模的矩阵运算可以有效降低计算复杂度。实验结果表明,改进的KMMF算法相较于传统的基于内容的推荐和矩阵分解推荐,在召回率和精确度上都有了明显的提高,并且在处理用户冷启动问题上也取得了很好的效果。(2)针对传统推荐算法缺乏考虑特征相互作用影响的问题,将深度学习与推荐系统相融合,提出了一种基于深度学习的混合推荐模型(Deep and Cross Factorization Machine,DCFM),该模型由三部分组成:因子分解机、交叉网络和深度神经网络,DCFM可多角度特征挖掘。通过在MovieLens数据集上进行实验验证,本文提出的DCFM推荐模型与因子分解机(FM)、深度因子分解机(DeepFM)、深度交叉网络(DCN)模型相比,在准确率、平衡F分数(F1-Score)和AUC值上均得到了提高和改善。(3)针对深度学习技术中从不同角度挖掘特征间交互作用的情况,对极深因子分解机模型(XDeepFM)进行了研究。该模型由线性回归单元、全连接神经网络和压缩式交互网络(Compressed Interaction Network,CIN)组成。通过将XDeepFM模型与单独的FM和DNN做了实验比较,结果表明融合压缩式交互网络的XDeepFM模型对向量级交互特征的有效提取有助于推荐准确度的提升。(4)力求做到推荐的准确性、多样性和个性化,研究基于多Agent的推荐系统。多Agent推荐框架融合基于深度学习的推荐算法DCFM、XDeepFM和传统推荐算法,以及多样性的其他类型推荐,将每种推荐算法封装在一个Agent中。通过实验结果对比,说明基于多Agent的推荐系统可实现为每个用户的个性化推荐。