论文部分内容阅读
随着信息技术的发展,海量信息为人们生活带来便利的同时,也带来了信息过载的问题,为了帮助人们从大量的信息中快速定位自己感兴趣的部分,推荐系统应运而生,个性化推荐系统作为推荐系统中的代表,自诞生以来,一直受到广大研究者的关注。模型的可解释性在个性化推荐系统研究具有重要意义,好的可解释性通常可以提高用户对系统的信任度和接受度,同时对改进推荐系统具有促进作用。但是传统的矩阵分解推荐算法往往忽略了模型的可解释性,他们通常以提高推荐的预测性能为目标,近年来,研究者将评论内容引入到推荐系统中,但是大多数的研究利用评论的方式存在以下问题:第一是物品特征和用户偏好特征缺乏可解释性;第二是推荐系统模型缺乏可解释性;第三是模型可扩展性不好。针对以上问题,本文结合多模态和多视图学习的思想,提出了一种可扩展的可解释矩阵分解模型。本文完成的主要工作如下:1.提出了一种从评论中提取浅层语义特征的RLDA算法,能够从评论中提取带语义的物品浅层特征,解决了矩阵分解推荐系统中物品隐特征缺乏可解释性的问题。此外,提出了一种从评论中提取深层语义特征的KAE算法,能够从评论中提取带语义的物品深度特征,与浅层语义特征相比,深层语义特征表示能力更强。2.针对现有研究中用户偏好特征缺乏可解释性的不足,提出了一种从评论中提取用户偏好特征的TSTUP算法,使得隐含在用户评论中的情感信息可以显式的映射到用户的偏好特征,能够有效的解决矩阵分解中用户偏好缺乏可解释性的问题。3.针对矩阵分解推荐模型缺乏可解释的问题,基于以上带语义信息的特征,本文提出了一种可扩展的可解释矩阵分解推荐模型LSTMF,该模型利用了从评论中提取的带语义的物品特征和用户偏好特征,从而使得模型具有了语义上的可解释性。随后分别从信息层、特征层、模型层讨论了本文提出的模型的扩展性,表明该模型具有较高的可扩展性。最后实现了一种可扩展的可解释矩阵分解推荐系统。4.进行了仿真实验,验证了本文提出的模型的性能。