融合显式和隐式特征的深度协同过滤推荐算法研究
这是一篇关于推荐算法,协同过滤,显式反馈,隐式反馈,卷积神经网络的论文, 主要内容为个性化推荐系统在缓解信息过载方面发挥着举足轻重的作用,其中协同过滤是应用最广泛、最成功的方法之一。目前基于深度学习的协同过滤推荐方法普遍存在着一定的局限性:一方面,它们大多没有注意到用户和项目之间的耦合关系和非独立同分布的性质;另一方面,这些方法未能充分考虑显式关联和隐式关联之间的互补关系。针对上述问题,提出一种融合显式和隐式特征的深度协同过滤推荐方法。首先,构建一个双通道卷积神经网络模型,分别利用1DCNN通道和混合CNN通道提取低阶和高阶特征,采用1DCNN与2DCNN混合训练的方式学习用户和项目间的显式特征交互;其次,构建一个深度潜在特征表示网络,利用多层感知机的非线性结构学习用户和项目间的隐式特征交互;最后,结合用户/项目的显式和隐式向量共同训练得出用户/项目的交互概率。该方法采用显式反馈和隐式反馈相融合的模式预测用户偏好,将用户和项目特性嵌入到协同过滤中学习它们之间的耦合关系。在Movie Lens 1M和Tafeng公开数据集上与其他几种先进的方法进行了充分的实验对比,使用HR和NDCG两个评价指标对模型性能进行评估。实验结果表明,本文方法在两个数据集上均取得了最优的推荐效果,其中HR@10分别达到了92.27%和76.12%,NDCG@10分别达到了76.84%和51.45%。本文提出的方法有效提升了推荐的命中率和准确率,可以在一定程度上缓解推荐系统中的数据稀疏和冷启动问题。该论文有图20幅,表12个,参考文献54篇。
面向显隐式反馈的协同过滤推荐模型研究
这是一篇关于推荐系统,协同过滤,显式反馈,隐式反馈的论文, 主要内容为随着信息规模的爆炸性增长,推荐系统(RS)作为信息过滤的子系统可以帮助人们对信息进行分类并为其筛选可能感兴趣的内容。协同过滤(CF)作为RS中最有效的方法之一,在学术科研界和工业领域获得了十分广泛的研究和应用。在RS中,用户的反馈机制根据是否能够明确表示用户喜好可分为显式反馈和隐式反馈。大多数现有的CF推荐模型使用显式反馈和隐式反馈中的一种来分析用户的偏好和项目的特征,而不能同时利用二者的不同特性来进行更有效的推荐。此外,大多数模型都是针对评级预测或项目排序任务而设计的,很少有模型可以同时适应这两个任务。基于上述问题,本文提出了一种面向显隐式反馈的CF推荐模型,它能够有效的将显式和隐式反馈结合在一个统一模型中。具体而言,该模型首先对于隐式反馈采用引入注意力机制的深度神经网络CF模型,该模型通过注意力网络来区别不同项目的重要程度,以此来代替传统CF推荐方法中项目相似性的度量,并通过深度神经网络对用户和项目之间的高阶非线性关系进行建模来完成项目排序任务。然后基于显式反馈采用概率矩阵分解模型来完成项目的评级预测任务,并根据预测的评级来为基于隐式反馈的产生的候选项目集合进行重新排序,从而生成用户推荐列表。由此,本文的主要工作可以总结为:设计了融合显式与隐式反馈的CF推荐模型(Collaborative Filtering Recommendation Model with explicit and implicit feedback,EI-CF)。EI-CF模型针对RS研究工作中用户反馈机制单一性问题,从结合显式和隐式反馈的角度设计可以同时完成评级预测和项目排序任务的CF推荐模型。该模型首先根据隐式反馈选出用户最可能感兴趣的项目集合完成项目排序任务,然后根据显式反馈预测用户对候选项目集合中项目的评分,最后将候选项目集合重新排序生成用户推荐列表。本文最后在两个公开数据集上进行实验,并和代表RS不同类别的推荐方法进行对比以验证本文模型的有效性。实验结果表明,本文的模型在这两个数据集上相对于其他方法表现出更好的推荐性能,为基于显式反馈和隐式反馈结合的RS未来发展提供了有价值的参考。
面向显隐式反馈的协同过滤推荐模型研究
这是一篇关于推荐系统,协同过滤,显式反馈,隐式反馈的论文, 主要内容为随着信息规模的爆炸性增长,推荐系统(RS)作为信息过滤的子系统可以帮助人们对信息进行分类并为其筛选可能感兴趣的内容。协同过滤(CF)作为RS中最有效的方法之一,在学术科研界和工业领域获得了十分广泛的研究和应用。在RS中,用户的反馈机制根据是否能够明确表示用户喜好可分为显式反馈和隐式反馈。大多数现有的CF推荐模型使用显式反馈和隐式反馈中的一种来分析用户的偏好和项目的特征,而不能同时利用二者的不同特性来进行更有效的推荐。此外,大多数模型都是针对评级预测或项目排序任务而设计的,很少有模型可以同时适应这两个任务。基于上述问题,本文提出了一种面向显隐式反馈的CF推荐模型,它能够有效的将显式和隐式反馈结合在一个统一模型中。具体而言,该模型首先对于隐式反馈采用引入注意力机制的深度神经网络CF模型,该模型通过注意力网络来区别不同项目的重要程度,以此来代替传统CF推荐方法中项目相似性的度量,并通过深度神经网络对用户和项目之间的高阶非线性关系进行建模来完成项目排序任务。然后基于显式反馈采用概率矩阵分解模型来完成项目的评级预测任务,并根据预测的评级来为基于隐式反馈的产生的候选项目集合进行重新排序,从而生成用户推荐列表。由此,本文的主要工作可以总结为:设计了融合显式与隐式反馈的CF推荐模型(Collaborative Filtering Recommendation Model with explicit and implicit feedback,EI-CF)。EI-CF模型针对RS研究工作中用户反馈机制单一性问题,从结合显式和隐式反馈的角度设计可以同时完成评级预测和项目排序任务的CF推荐模型。该模型首先根据隐式反馈选出用户最可能感兴趣的项目集合完成项目排序任务,然后根据显式反馈预测用户对候选项目集合中项目的评分,最后将候选项目集合重新排序生成用户推荐列表。本文最后在两个公开数据集上进行实验,并和代表RS不同类别的推荐方法进行对比以验证本文模型的有效性。实验结果表明,本文的模型在这两个数据集上相对于其他方法表现出更好的推荐性能,为基于显式反馈和隐式反馈结合的RS未来发展提供了有价值的参考。
融合显式和隐式反馈的协同过滤推荐算法研究
这是一篇关于个性化推荐,协同过滤,显式反馈,隐式反馈的论文, 主要内容为随着电子商务和流媒体平台的兴起,网络中存储着越来越多的数据和服务,信息过载问题也随之出现,推荐系统是解决此类问题的有效技术之一。个性化推荐不仅能帮助用户快速地过滤信息,还能为商家带来巨大利润,因此推荐系统受到了广泛的研究与应用。协同过滤是推荐系统中使用最为广泛的推荐算法,此类算法主要使用用户与物品的交互数据来挖掘用户的偏好从而进行推荐,交互数据可分为显式反馈和隐式反馈,现有的协同过滤算法普遍采用单一的反馈进行推荐,而两种反馈之间存在着互补关系,融合显式反馈和隐式反馈进行更加有效地推荐一直是一个研究问题,该问题主要面临两大挑战,即如何解决两种反馈的异质性以及如何利用两种反馈的优势。本文对此类问题进行了研究,主要研究工作如下:1.提出了一种融合显隐式反馈的协同过滤推荐方法。该方法直接对评分矩阵进行嵌入获取用户和物品的全局偏好向量,保留了显式反馈反映用户偏好程度的能力。然后将用户(或物品)的全局偏好向量和隐式反馈中提取的物品(或用户)潜在向量进行融合。显式反馈相对于隐式反馈能更加准确地反映用户的偏好以及偏好程度,因此,该方法赋予显式反馈相较于隐式反馈更大的权重,使模型对显式反馈中的特征更加敏感,提高模型捕获用户偏好的能力,从而提高推荐的效果。2.提出一种基于多任务学习的显隐式协同过滤推荐方法。该方法使用两个辅助任务分别处理显式反馈和隐式反馈,使用主任务融合显式反馈和隐式反馈。由于多任务学习模型的所有任务共享底层参数,底层参数将会由所有任务联合更新,这使得显式反馈和隐式反馈知识共享,从而提高推荐的效果。3.本文提出的推荐算法都在公开的数据集上进行了广泛的实验,验证了算法的有效性。并且使用本文提出的推荐算法作为推荐引擎设计并实现了一个电影推荐系统,通过对个性化推荐的结果进行展示和分析,证明了算法的实用性。
面向显隐式反馈的协同过滤推荐模型研究
这是一篇关于推荐系统,协同过滤,显式反馈,隐式反馈的论文, 主要内容为随着信息规模的爆炸性增长,推荐系统(RS)作为信息过滤的子系统可以帮助人们对信息进行分类并为其筛选可能感兴趣的内容。协同过滤(CF)作为RS中最有效的方法之一,在学术科研界和工业领域获得了十分广泛的研究和应用。在RS中,用户的反馈机制根据是否能够明确表示用户喜好可分为显式反馈和隐式反馈。大多数现有的CF推荐模型使用显式反馈和隐式反馈中的一种来分析用户的偏好和项目的特征,而不能同时利用二者的不同特性来进行更有效的推荐。此外,大多数模型都是针对评级预测或项目排序任务而设计的,很少有模型可以同时适应这两个任务。基于上述问题,本文提出了一种面向显隐式反馈的CF推荐模型,它能够有效的将显式和隐式反馈结合在一个统一模型中。具体而言,该模型首先对于隐式反馈采用引入注意力机制的深度神经网络CF模型,该模型通过注意力网络来区别不同项目的重要程度,以此来代替传统CF推荐方法中项目相似性的度量,并通过深度神经网络对用户和项目之间的高阶非线性关系进行建模来完成项目排序任务。然后基于显式反馈采用概率矩阵分解模型来完成项目的评级预测任务,并根据预测的评级来为基于隐式反馈的产生的候选项目集合进行重新排序,从而生成用户推荐列表。由此,本文的主要工作可以总结为:设计了融合显式与隐式反馈的CF推荐模型(Collaborative Filtering Recommendation Model with explicit and implicit feedback,EI-CF)。EI-CF模型针对RS研究工作中用户反馈机制单一性问题,从结合显式和隐式反馈的角度设计可以同时完成评级预测和项目排序任务的CF推荐模型。该模型首先根据隐式反馈选出用户最可能感兴趣的项目集合完成项目排序任务,然后根据显式反馈预测用户对候选项目集合中项目的评分,最后将候选项目集合重新排序生成用户推荐列表。本文最后在两个公开数据集上进行实验,并和代表RS不同类别的推荐方法进行对比以验证本文模型的有效性。实验结果表明,本文的模型在这两个数据集上相对于其他方法表现出更好的推荐性能,为基于显式反馈和隐式反馈结合的RS未来发展提供了有价值的参考。
基于显式反馈的协同排序推荐算法研究
这是一篇关于协同过滤,协同排序,显式反馈,迁移学习,矩阵分解,推荐算法的论文, 主要内容为推荐系统应用广泛,无论是购物网站还是音乐软件,都致力于部署推荐系统来为用户提供高质量的个性化服务。在构成推荐系统的所有组件中,推荐算法的作用不容小觑,因为它决定了一个推荐系统是否能够针对不同用户精准地推荐其喜欢的物品。协同过滤方法得益于它的高效性和精确性,从众多推荐算法中脱颖而出,成为工业界应用最广、学术界研究最热的算法之一。根据推荐问题的不同,协同过滤算法可大致分为两类,一类是面向评分预测的协同过滤算法,另一类是面向物品排序的协同过滤算法。先前大量的研究工作都侧重于面向评分预测的协同过滤算法,在一定程度上忽略了面向物品排序的协同过滤算法。实际上,由于后者最后的输出为物品列表,与实际场景所需的结果更加一致,所以其与真实应用中的推荐问题更为匹配。另一方面,大部分面向物品排序的协同过滤算法都倾向于利用信息量较少的隐式反馈数据,这在很大程度上限制了推荐性能的提升。因此,本文聚焦于面向物品排序的协同过滤算法,旨在利用富含信息量的显式反馈数据来解决物品排序问题,也称为“协同排序”问题。为此,我们设计了两种创新的解决方案。首先,我们受到已有工作—迁移排序(transfer to rank,ToR)的启发,从重现用户购物流程的目标出发,设计了一个通用的迁移学习框架—粗精迁移排序(coarse-to-fine transfer to rank,CoFiToR)。该框架包含三个阶段,以递进的方式回答下列三个问题:1)用户是否会点击物品;2)用户对物品的评分如何;3)用户是否会购买物品。在每个阶段,我们选用一个合适的推荐算法解决其对应的问题,最终形成一个高效的三阶段解决方案。在两个大规模公开数据集上的实验结果表明,CoFiToR框架比面向该问题的前沿方法表现更好。其次,我们结合上下文知识,提出了一个上下文感知的协同排序模型(context-aware collaborative ranking,CCR),它利用对数几率损失函数衡量预测排序的误差,同时在目标函数中结合了由显式反馈推导出的内在偏好上下文,因而能够获得更高的精确度。针对CCR,我们还设计了一种改进的采样策略,能够有效区分模型训练所需的正负样本,模型也得以有效地学习用户的偏好。在四个真实数据集上的实验结果表明,CCR模型能够达到比领域内前沿算法更好的推荐效果。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/49251.html
