论文部分内容阅读
随着互联网的快速发展,互联网信息呈指数增长,信息过载成为我们不得不面对的问题。网络上充斥着形形色色的信息,其中不乏一些低质量甚至无用的信息,用户在浏览所需信息的同时,总会在不经意间接收到这些信息。推荐算法应运而生,推荐算法通过给用户定制信息进行推送,帮助人们更加便捷的获取所需信息。随着人工智能的发展,各种深度学习算法被广泛应用,如何将深度学习应用在推荐算法上成为学者们研究的重点。本文主要工作将围绕隐式反馈推荐和显式反馈推荐两个研究方向展开。(1)针对传统协同过滤推荐算法的特征选取中存在噪声的问题,分析了物品特征的提取方法,将自编码器推广到具有良好可扩展性的矩阵分解框架中,提出了一种基于物品融合自编码器的隐式反馈推荐算法。在特征提取时,将物品的固有信息作为自编码器的输入,通过多层降维后得到低维的非线性特征表示。在构建推荐模型时,将得到的物品低维特征融入到矩阵分解模型中的物品潜在特征向量,同时利用用户的历史交互物品来重构用户的潜在特征向量,缓解了冷启动的问题。采用公开数据集MovieLens和Pinterest来进行实验,与传统的隐式反馈推荐算法相比,预测命中率显著提高,实验结果表明自编码器能够有效的提取物品的非线性特征,给用户提供准确的推荐。(2)针对传统显式反馈推荐算法中融合用户历史交互存在信息不平衡的问题,分析了权重计算方法,将神经网络运用到历史交互权重的计算中,提出了一种基于神经注意机制的显式反馈推荐模型。在区分不同历史交互项目重要性时,将目标项目和历史交互项目整合为一个向量放入注意机制网络,学习出各个历史交互项目的权重。在最后预测评分时,使用神经网络代替传统的点乘方式,更好的捕捉用户和项目的高阶交互。在两个公开数据集上的大量实验表明,我们提出的方法和传统的显式反馈推荐方法相比有了显著的改进。