论文部分内容阅读
移动通信网络的快速发展,使大量的资源冲击着人们的日常生活。从海量的信息中挑选出吸引用户的内容是增强用户体验和用户粘度的关键。为此,推荐算法得到了广泛的研究,可以为用户提供个性化的决策支持和信息服务。近年来,基于深度学习的推荐算法得到了较多研究,实验表明其相比传统推荐算法通常具有更优的性能。混合推荐算法将辅助信息融入传统推荐算法来解决该领域常面临的数据稀疏问题,但目前的利用方式还不够有效,且忽视了其中的深层特征。此外,其中的评论文本,包含了丰富的用户偏好和物品特征,现有推荐算法使用评论信息时面临许多问题,如信息丢失、引入噪声、丢失评分与评论的对应关系等。针对以上问题,本文开展深入研究,在深度学习框架下提取并利用用户和物品间的深层特征,提出了一种新的耦合协同过滤推荐算法,以及一种新的利用评论文本的推荐算法和一种新的同时对评论和评分进行建模的推荐算法。本文的主要工作如下:1.针对引入额外信息的混合推荐算法以及利用评论文本的推荐算法开展了深入研究,分析并总结出现有研究中存在的不足。2.提出了一种卷积协同过滤网络——CCFNets。目前先进的混合推荐模型使用辅助文本的方式有限且线性建模方法限制了推荐性能。本文提出的CCFNets基于深度学习框架分析了多种关系模式来构建混合推荐算法,通过提取非线性的浅层特征,并进一步挖掘用户和物品间交互的深层特征,扩展了辅助文本的利用方式。在真实数据集上的实验表明CCFNets优于目前最先进的混合推荐算法,尤其是在数据稀疏情形下。3.提出了一种新的利用评论文本的推荐算法——RRNets。目前最先进的推荐算法大多采用了评论拼接,这会带来如信息丢失等问题,并且忽略了评论中的深层交互特征。本文进一步考虑了评论发生在交互之后的特殊性,提出了一种新的使用评论文本的方式,构建了用户对未交互物品的评论表示,来提高评分预测的精度,该算法还可以通过隐式反馈来优化用户和物品的表示方式,进而提升评论构建的能力。在真实数据集上的实验表明RRNets优于目前最先进的利用评论文本作推荐的算法,并验证了隐式反馈对算法的促进作用。4.提出了提高RRNets的推荐性能的两种方法,并基于此提出了一种新的同时对评论文本和评分值进行建模的推荐算法——IRRNets。该算法进一步考虑评分域和评论域的差异性,借鉴迁移学习的思想来解决推荐领域的域适应问题。IRRNets具有很强的可拓展性,能够结合经典的协同过滤推荐算法构成互促进网络,同时优化评分预测与评论构建的准确性。在真实数据集中的实验验证了IRRNets能够进一步提升RRNets的推荐性能,以及各改进点对算法的促进作用。