论文部分内容阅读
个性化推荐技术主要根据用户需求和偏好等信息,通过相关推荐算法获取用户对项目的偏好特征,并向用户推荐其可能感兴趣的项目;在缓解“信息过载”问题上起到了重要的作用,被广泛应用于各个领域,备受广大研究者关注。其中,基于协同过滤的推荐技术应用和研究最为广泛,尤其是矩阵分解(MF)和SVD++等算法在Netfix大赛中取得良好成绩,将基于矩阵分解的协同过滤模型研究推上了高潮。但是,该模型仅仅考虑用户与项目的评分数据,存在的数据稀疏性和冷启动问题会很大程度上影响到模型的推荐性能;作为一个浅层推荐模型,也无法获取到用户与项目更深层次的隐藏特征与交互信息去进行更精准的推荐。随着深度学习技术的不断发展和突破,也为推荐模型的研究带来新的机遇和挑战。基于深度学习的推荐模型利用多层神经网络结构,能够非线性地学习用户与项目的交互信息,获得更深层次、更抽象的隐藏特征表示,表现出较好的推荐效果。但是,现有模型大多基于矩阵分解的思想,使用单一的评分信息在遇到数据稀疏性问题时会降低模型的推荐性能;只对多层神经网络最后的隐表示进行交互,没有考虑到每层网络所学习到的特征表示都是非常重要的;模型训练时对用户和项目所有的特征交互都采用相同的权重,但对于不同的特征交互,其重要程度不同。本文针对上述问题展开研究,融合辅助信息缓解稀疏性问题,构建新的网络结构有效利用每层网络所学习到的隐表示,引入注意力机制去判断特征交互的重要程度,将浅层模型和深层模型相结合进一步提升模型的推荐性能。主要工作如下:(1)针对评分数据的稀疏性问题和只利用最后的隐表示进行推荐,提出融合辅助信息的多交互深度矩阵分解模型。在基于矩阵分解的深度学习推荐模型基础上,使用用户和项目的评分信息和更多的辅助信息(用户/项目属性,评论,标签等)作为模型的输入数据,辅助信息中包含用户与项目一定的隐藏偏好特征,不但能缓解模型的数据稀疏性问题,还能从辅助信息中抽取更多用户和项目的属性特征;通过构建并行的多层非线性网络分别学习用户和项目的隐表示,并且对每一层网络所学习到的用户和项目隐表示都进行一次点积操作,利用网络层不同的学习能力获得不同层的交互结果;聚合所有层的交互结果作为所提模型的最终结果并进行评分预测。在Movielens latest small和Movielens latest 20m数据集上进行对比实验并对该模型相关的参数进行对比分析,实验结果表明,所提出的推荐模型能更准确地进行评分预测。(2)针对不同特征交互具有不同重要程度,结合浅层模型与深层模型进行推荐,提出融合注意力机制的多交互神经矩阵分解模型。基于工作(1)所提出的多交互网络结构,获得每一层网络所学习到的用户和项目交互结果;将多层神经网络学习到的用户和项目隐表示作为输入,增加一个注意力网络(Attention)去学习一个注意力权重矩阵,用来判断用户和项目特征交互的重要程度,将多交互网络结构学习到的隐表示与注意力权重矩阵加权得到一个深层模型的推荐结果;然后基于浅层的矩阵分解模型思想,与上述的深层模型共享同一嵌入层,获得用户和项目的隐因子表示,直接采用点积操作得到一个浅层模型的推荐结果;最后结合线性的浅层模型与非线性的深层模型,对浅层推荐模型和深层推荐模型的结果进行加权得到所提模型最终结果并进行Top_N排序推荐。在Movielens 1m和Pinterest数据集上进行对比实验并对该模型相关的参数进行对比分析,实验结果表明,所提出的推荐模型能更精确地为用户进行合适的项目推荐。