论文部分内容阅读
随着互联网的发展,用户越来越依赖于推荐系统为其项目的选择提供参考。推荐模型主要分为协同过滤、基于内容的推荐模型以及混合推荐模型。这些模型在面临数据稀疏性问题和冷启动问题时都有着其自身的局限性,并且在不同的评估指标方面影响着推荐质量。将深度学习技术应用于推荐领域是一项具有挑战性和重大意义的研究课题。本文将深度神经网络模型与基于协同过滤的浅层模型融合在一起,提出了一种可以同时利用用户行为信息和项目文本内容信息的混合推荐模型,主要工作包括:(1)针对用户隐式反馈数据的特性,将置信度引入到用户的偏好学习当中,并对传统的交替最小二乘优化过程进行改进,提出了适用于隐式反馈的加权隐因子模型及其学习算法,用于学习有效的用户和项目的隐因子向量。(2)针对项目文本内容信息的特点,提出了基于注意力机制的门控循环单元网络模型,首先使用门控循环单元网络对项目文本内容中的单词进行准确地语义编码,然后通过基于注意力机制的池化方法自动地学习文本中单词的权重来区分不同单词的重要性,从而有效地对项目文本内容的时序信息进行建模和深层次地挖掘。(3)通过引入用户关注机制,改进了对项目文本内容中单词的重要性进行建模的单词池化方法,提出了新的基于用户注意力机制的门控循环单元网络模型,该模型能够使用户更直接地访问项目文本内容的整个单词序列,从而提取该用户关注下的项目文本内容信息,进一步提升项目文本内容信息挖掘的准确性。(4)提出了新的混合推荐模型,通过基于注意力机制的门控循环神经网络模型从项目的文本内容信息中学习高层特征表示来预测加权隐因子模型学习得到的项目的隐因子向量,然后使用隐因子模型进行推荐。(5)将混合推荐模型应用在新项目推荐任务中,通过对比实验评估了混合推荐模型中每个组件以及整体的推荐性能。实验结果证明,本文提出的混合推荐模型的推荐性能优于现有的推荐模型。