论文部分内容阅读
近年来,随着互联网的普及和计算机技术的进步,信息的数量呈指数级增长,人们在享受互联网带来便利的同时,也受到“信息碎片化”和“信息过载”的困扰。个性化推荐系统不仅能够满足用户个性化需求,提升用户体验,并且在具体商业场景下能够大幅度提高用户的行为转化率,成为当前解决“信息过载”问题的主流方法。随着人工智能的快速发展,深度学习越来越多的应用到推荐领域。在当今大多数电子商务平台上,用户对商品撰写评论不仅是一项核心功能,同时也是一项具有很强历史性的行为。丰富的评论内容,蕴含了大量的信息,它在捕捉用户偏好和刻画商品特征画像方面尤其强大。本文主要研究了基于深度学习的评论主题推荐算法和在线实时推荐系统实现,借助评论这一媒介,将深度学习与推荐算法有机地结合起来,研究的内容具体如下:(1)提出了一个加入了筛选机制的注意力神经网络模型,该网络在嵌入层先进行one-hot编码,通过类同矩阵对用户、商品的评论列表进行计算,选择有限条评论进入下一层。而后将经过筛选的评论集用BERT模型进行预训练,并通过Bi-GRU+Attention神经网络对其进行深度语义抽取,最后结合改进的概率矩阵分解来预测用户对商品的评分,以此来增强推荐系统的预测准确度。并通过实验确认了算法的有效性。(2)提出了一个面向评论的双向协同变分推荐算法Bi-CVAE,该算法试图将神经网络生成的内容向量建模成隐变量,把基于评论的特征向量融入到经典的变分自动编码器中,并通过协同过滤概率矩阵分解模型应用到推荐系统中以提高推荐系统的性能。本章首先介绍结合深度神经网络Bi-GRU的VAE潜在语义生成算法,然后依次进行最大后验估计与贝叶斯推理的算法推导。最后通过矩阵分解的协同过滤算法应用到推荐系统中以提高预测的准确性。实验表明该算法在提高预测的准确性方面有效。(3)设计和实现了一个基于深度协同过滤的在线实时推荐系统,给出了分布式数据采集、存储和评论数据分析模块的设计方法;把用户评论作为媒介,使用协同过滤,使得该推荐系统与深度学习能够结合起来;通过对用户特征模型的更新迭代提高推荐系统的准确率,且对于离线和在线推荐任务系统均能适用。