论文部分内容阅读
随着信息技术的发展,人们进入到由信息过载带来的困境当中:对于信息的生产者而言,想要使自己的信息在信息流中受到人们关注成本越来越高;信息的消费者们也很难有效地找到自己真正需要的信息。为了帮助双方摆脱困境,推荐系统应运而生,其算法核心是利用用户的历史行为记录去对用户的偏好进行预测,从而挖掘出用户感兴趣的物品。但由于算法原理的限制,传统推荐算法不可避免的存在两个缺陷,评分数据稀疏导致的推荐性能下降以及冷启动问题。研究人员通过将物品内容信息纳入推荐到推荐算法中,由此形成了混合推荐系统。但是内容信息往往具有结构复杂,稀疏等复杂特性,这给传统融合方法带来了巨大挑战。深度学习技术的发展为该问题提供了新的解决方案,它通过一种端到端的非线性深层次网络结构来将高维的物品内容数据嵌入到低维空间中,以获得统一的数据低维表征。通过深度学习技术与传统推荐算法的融合,可以有效利用物品内容信息来缓解传统推荐系统中的冷启动和数据稀疏问题。现阶段深度学习与传统推荐模型的混合已取得不错的成果。但混合模型中的抽取内容低维特征的深度组件和传统推荐算法组件的不紧密,深度组件在运行时保持相对独立,这没法保证提取的低维内容特征与物品隐藏特征的相关性。因此本文提出了一种结合更为紧密,能双向提供反馈并相互施加正则化约束的混合模型:双向约束深度协同模型。该模型抽取内容特征模块采用栈式自动编码器,传统推荐模块采用概率矩阵分解。模型在训练过程中交替地对这两个模块进行更新,通过对物品内容和评分的两个隐藏矩阵相互施以正则约束,来获取两者更为紧密的相关性及潜在关系,从而达到让物品内容更加有效地帮助重建评分矩阵的目的。并且通过对物品内容的引入解决了新物品的冷启动问题,降低了评分矩阵重建过程中的过拟合风险。本文提出的模型与对比模型在现实商业环境下收集的音乐数据上进行离线实验,结果表明本文提出的双向约束深度协同模型在Recall指标和F1指标下具有最优的模型效能,并且也具有最优的抗稀疏能力。