论文部分内容阅读
随着大数据时代的到来,互联网上的信息正以指数级速率爆炸性增长,人们越来越难以为自己有限的需求快速地找到有用的信息,摆脱垃圾信息的困扰。双结构网络主张在互联网主结构的基础上增加基于“辐射-复制”模型的播存次结构,以物理变革和二元结构的创新思路对当前互联网主结构实施“深度去冗”,并提供个性化信息服务,以帮助用户快速选取有用信息。传统基于用户的协同过滤方法,先计算用户和用户的相似度,然后给用户推荐和他相似的用户浏览过的物品,整个计算过程严重依赖用户物品评分矩阵,如果评分矩阵过于稀疏就会导致相似性计算的不准确,难以直接运用在双结构网络个性化推荐服务中。因此,如何在最大程度避免数据稀疏性问题和冷启动问题的影响,并快速地产生准确的推荐信息是双结构网络推荐机制面临的一个难题。针对双结构网络的需求和特点,本文设计了一种面向双结构网络的基于深度学习的协同过滤算法(Deep Learning Based Collaborative Filtering Algorithm For Dual-Structural Network,DLCFA-DSN)以帮助用户进行个性化信息推荐。将卷积神经网络引入信息分类领域,设计了一种多分支卷积神经网络(Multi Branch Convolution Neural Network,MBCNN)进行新闻信息分类。在此基础上提出一种基于边缘去噪自动编码机的协同过滤算法(Margialized Denoising Autoencoder Collaborative Filtering Algorithm,MDACFA)部署于边缘服务器。为进一步提升推荐效果,提出T-WORD2VEC推荐算法在用户终端深入挖掘个体用户兴趣爱好。具体如下:1)针对传统分类算法难以对新闻网页准确分类,影响到双结构网络中推荐效果的问题,提出了一种多分支卷积神经网络MBCNN算法进行新闻信息分类。首先进行网页预处理提取出文本特征。然后从新闻网页源代码中抽取出HTML特征,之后将HTML特征和文本特征融合后输入MBCNN算法进行分类。MBCNN包含多个MbcModule,每个MbcModule拥有5个分支,每个分支学习不同特征增强了模型的表达能力。最后针对MBCNN算法定义其损失函数,提出其训练算法,将MBCNN分类结果封装成UCL发送到边缘服务器作为推荐算法的输入。2)针对传统推荐算法难以适应双结构网络的特定需求,提出一种面向双结构网络的基于深度学习的协同过滤算法DLCFA-DSN,包括MDACFA协同过滤算法部署于于边缘服务器,将MBCNN分类结果作为物品属性特征,输入MDACFA协同过滤算法。针对MDACFA算法定义其损失函数,利用物品和用户属性特征拟合评分矩阵进行训练,训练完成后只需物品属性特征和用户属性特征便可计算出评分信息,能够避免评分数据稀疏性对算法带来的影响,在一定程度上解决了冷启动问题。为进一步提升推荐效果,提出T-WORD2VEC推荐算法在用户终端深入挖掘个体用户兴趣爱好。3)在双结构网络原型系统的基础上,设计并实现了基于上述算法的双结构网络新闻信息推荐系统,并在相关数据集上对MBCNN和DLCFA-DSN算法的可行性及其性能进行了验证。实验结果表明,MBCNN算法可以对新闻信息进行有效地分类,相比于传统机器学习分类算法,准确性更高。DLCFA-DSN算法能够充分结合双结构网络特点,相比于传统的推荐算法受数据稀疏性问题影响更小,准确率更高。