论文部分内容阅读
在大数据时代,“信息过载”问题成为一种新的困扰。推荐系统作为一种有效的信息过滤手段在人们的生活生产中扮演着越来越重要的角色。伴随着人工智能的蓬勃发展,深度学习技术被越来越多地应用到自然语言处理、图像识别等领域,并取得了显著的研究成果。将深度学习应用于推荐系统,可以更有效地从纷繁复杂的数据中分析用户偏好,发现用户需求。因此基于深度学习的推荐系统成为推荐系统的一个重要研究方向。随着互联网技术的快速发展,用户-项目评分数据变得越来越稀疏,大大增加了推荐的难度。本文基于深度学习技术,从多模态数据和推荐算法两个方面着手,展开针对数据稀疏性问题的研究。其一,利用深度学习技术从多模态数据中学习更深层次的用户潜在特征表示和项目潜在特征表示。其二,构建基于深度学习的推荐模型,学习用户和项目之间的复杂的交互关系,提高推荐系统性能。本文的主要研究内容如下:(1)针对数据稀疏性问题及在数据稀疏环境下用户的特征分布问题,提出一种基于神经网络的约束概率矩阵分解模型。由于用户评分历史不同,不同用户应该具有不同的特征分布。因此,本文将用户评分项目融入到用户潜在特征的构建过程。同时,使用卷积神经网络从项目的文本描述信息中提取深层次的项目潜在特征。最后利用多层感知机融合用户和项目潜在特征,更好地捕捉用户和项目之间的非线性交互特征,提升评分预测准确性。(2)为了进一步缓解数据稀疏性问题,提出了一种基于多模态用户-项目交互行为信息的推荐方法。为了能在数据稀疏的环境下获取更加准确的用户潜在特征表示和项目潜在特征表示,考虑了用户偏好变化过程和多模态数据。首先利用卷积神经网络从项目文本辅助信息中提取每个项目的潜在特征,然后根据用户-项目交互行为,将与用户存在交互的项目对应的潜在特征和评分数据相结合,并输入长短时记忆网络来学习动态的用户潜在特征表示,最后利用sigmoid函数预测用户与项目之间存在交互的可能性并形成推荐列表。