论文部分内容阅读
推荐系统是联系用户与物品的纽带,在帮助用户寻找感兴趣物品的同时,也帮助信息提供者将其商品展示在用户面前,实现双赢,其核心是推荐算法。将神经网络和深度学习应用于推荐算法,使得推荐系统能够应对日益增长的数据量和用户的多方面需求,提供更加准确高效的个性化推荐,具有很大的市场空间与研究价值。推荐系统有两个主要的研究分支,评分预测与Top-N推荐,在实际应用中,大部分推荐结果以Top-N的形式呈现,因此对Top-N推荐的研究具有重要的实际意义。本文针对Top-N推荐,深入挖掘用户的兴趣取向,将密度峰值聚类与长短时记忆神经网络(LSTM)相结合研究推荐算法。 现有的推荐算法主要依靠评分记录,对用户的个性化需求关注较少,推荐结果不完全符合实际需求。针对该问题,本文在传统的基于用户的协同过滤算法(UCF)基础上,结合密度峰值聚类研究物品属性,分析用户对物品属性的兴趣取向,深入挖掘用户的个性需求,提出一种结合物品类型和密度峰值聚类的协同过滤推荐算法(GDP-UCF)。 在GDP-UCF算法基础上,考虑LSTM能够解决传统循环神经网络(RNN)中存在的长距离依赖问题,及其在序列处理领域取得的良好效果,本文将其引入推荐算法。首先,利用可获取的数据信息,通过一定的计算构建样本的数据特征序列。然后通过词嵌入层将样本数据向量化。最后构建LSTM网络,提出LSTM-CF算法,将向量化的样本特征数据输入网络进行训练并对用户做出推荐。 同时,构建RNN网络,记为RNN-CF算法,与GDP-UCF和LSTM-CF一起在多个数据集上进行实验,全面分析推荐算法的性能。实验结果表明,基于循环神经网络的RNN-CF和LSTM-CF优势明显,其中LSTM-CF算法不仅使各评价指标更高,且各评价曲线更平滑。因此,本文提出的LSTM-CF算法在Top-N推荐领域有良好的推荐效果和稳定的推荐性能,具有重要的实际应用价值。