推薦系統(tǒng)中的用戶動(dòng)態(tài)興趣模型研究

《推薦系統(tǒng)中的用戶動(dòng)態(tài)興趣模型研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、碩士學(xué)位論文推薦系統(tǒng)中的用戶動(dòng)態(tài)興趣模型研究作者姓名黃敦賢學(xué)科專業(yè)計(jì)算機(jī)科學(xué)與技術(shù)指導(dǎo)教師李擁軍教授所在學(xué)院計(jì)算機(jī)科學(xué)與工程學(xué)院論文提交日期2018年4月ResearchonUserDynamicInterestModelinRecommenderSystemADissertationSubmittedfortheDegreeofMasterCandidate：HuangDunxianSupervisor：Prof.LiYongjunSouthChinaUniversityofTechnologyGuangzhou,China分類號(hào)：TP3學(xué)校代號(hào)：10561學(xué)號(hào)：201

2、520130912華南理工大學(xué)碩士學(xué)位論文推薦系統(tǒng)中的用戶動(dòng)態(tài)興趣模型研究作者姓名：黃敦賢指導(dǎo)教師姓名、職稱：李擁軍教授申請學(xué)位級(jí)別：工學(xué)碩士學(xué)科專業(yè)名稱：計(jì)算機(jī)科學(xué)與技術(shù)研究方向：數(shù)據(jù)挖掘與推薦算法論文提交日期：2018年4月20日論文答辯日期：2018年5月31日學(xué)位授予單位：華南理工大學(xué)學(xué)位授予日期：年月日答辯委員會(huì)成員：主席：齊德昱委員：李擁軍沃焱周杰梅登華摘要信息指數(shù)增長，使得基于智能算法及用戶特點(diǎn)為用戶推薦優(yōu)質(zhì)內(nèi)容成為目前研究熱點(diǎn)；然而，用戶興趣的頻繁變化給推薦算法的設(shè)計(jì)帶來挑戰(zhàn)。非時(shí)間敏感算法在實(shí)際推薦場景中無法即時(shí)捕獲用戶動(dòng)態(tài)興趣導(dǎo)致的預(yù)測偏差，而現(xiàn)有的時(shí)

3、間敏感算法主要通過復(fù)雜人工特征和多模型集成來學(xué)習(xí)用戶動(dòng)態(tài)行為，給模型設(shè)計(jì)和線上更新帶來了負(fù)擔(dān)。因此，端到端的時(shí)間敏感推薦算法設(shè)計(jì)，對于優(yōu)化推薦算法精度和簡化模型設(shè)計(jì)具有較大的研究價(jià)值。論文通過定性和定量分析推薦系統(tǒng)的動(dòng)態(tài)性，表明用戶動(dòng)態(tài)興趣由用戶長期興趣和短期興趣共同決定，同時(shí)存在用戶偶然興趣，對用戶動(dòng)態(tài)興趣預(yù)測造成干擾?；诖嗽?，本文針對推薦系統(tǒng)中的用戶評分預(yù)測問題，使用非時(shí)間敏感算法分析用戶歷史行為的靜態(tài)興趣表現(xiàn)，預(yù)測用戶的基準(zhǔn)評分，并基于深度循環(huán)網(wǎng)絡(luò)挖掘用戶動(dòng)態(tài)興趣的變化規(guī)律，計(jì)算用戶興趣動(dòng)態(tài)性對用戶評分造成的偏差，對用戶基準(zhǔn)評分進(jìn)行修正。本文具體工作及貢獻(xiàn)在于：

4、1）提出長短期興趣網(wǎng)絡(luò)LSIN，使用以深度循環(huán)網(wǎng)絡(luò)為基礎(chǔ)的短期興趣網(wǎng)絡(luò)來提取用戶的短期興趣特征，并建立長期興趣網(wǎng)絡(luò)提取用戶長期興趣，融合用戶長短期興趣特征，獲取用戶動(dòng)態(tài)興趣特征，計(jì)算用戶當(dāng)前時(shí)刻的評分偏差。2）提出一種新的長短期興趣特征融合方法，根據(jù)長短期興趣特征與電影特征的余弦相似度來對用戶長短期興趣特征進(jìn)行加權(quán)融合，提升了模型獲取動(dòng)態(tài)興趣特征的準(zhǔn)確性。3）在長短期興趣模型基礎(chǔ)上，建立A-LSIN模型，使用注意力機(jī)制評估用戶近期行為對當(dāng)前時(shí)刻興趣的影響，從而降低用戶偶然興趣對動(dòng)態(tài)興趣預(yù)測的干擾，并且進(jìn)一步提升了循環(huán)網(wǎng)絡(luò)結(jié)構(gòu)的遠(yuǎn)程依賴能力。4）使用Netflix的多個(gè)電影

5、評分?jǐn)?shù)據(jù)集來驗(yàn)證本文模型及其改進(jìn)的性能提升，并且與目前主流的推薦算法進(jìn)行比較。本文模型在Netflix多個(gè)數(shù)據(jù)集上的表現(xiàn)均優(yōu)于其它對比算法，在Netflix全數(shù)據(jù)集上的RMSE為0.9119，相比非時(shí)間敏感算法PMF降低2.2%，比時(shí)間敏感算法TimeSVD++降低1.8%。關(guān)鍵詞：推薦算法；用戶動(dòng)態(tài)興趣；深度循環(huán)網(wǎng)絡(luò)；長短期興趣模型；注意力機(jī)制IAbstractTheexponentialincreaseofinformationmakesitahotresearchtopictorecommendhigh-qualitycontentforuserswithintel

6、ligentalgorithmsandusercharacteristics.However,itposeschallengesforthedesignofrecommendationalgorithms,duetothefrequentchangesofuserinterest.Non-time-sensitivealgorithmscannotinstantaneouslycapturethepredictiondeviationcausedbyuser'sdynamicinterestintheactualrecommendationscenario.Inaddit

7、ion,mosttime-sensitivemethodslearnthedynamicbehaviorsofusers,mainlybycomplexartificialfeaturesandmulti-modelsensembling,whichimposesaburdenonthedesignofthemodelanditsonlineupdates.Thus,thedesignofend-to-endandtime-sensitiverecommenderalgorithmsisofgreatresearchvalue