基于用户时序行为的深度学习推荐模型研究

发布时间：2025-06-24 06:25

　　随着互联网和信息技术的不断发展,各种信息纷繁杂乱,并呈爆炸性增长态势,信息过载问题严重。个性化推荐系统作为信息生产者与消费者之间的桥梁,其目的在于缓解信息过载的困境,帮助用户发掘对自己有价值的信息,将信息及时准确地推送给用户,从而实现信息生产者和消费者的共赢。近期的一些研究表明深度学习技术应用在推荐任务中,同样表现出其强大的能力。与传统的推荐算法相比,深度学习使用深层的非线性结构,可以更好地提取用户和项目的特征表示,学习用户与项目的交互关系。本文重点关注用户与项目交互的时序关系,通过用户与项目的交互行为的时间顺序进行推荐的任务。本文首次有效地融合了循环神经网络,卷积神经网络,以及自注意力机制,构建了一个深度学习的混合推荐模型,用于电影的TOP-N推荐任务。该模型的优点在于,减少了堆叠的串行层次结构,增加了并行层次结构。能够同时获取用户不同时刻的长期和短期兴趣状态,以权重的形式叠加各时刻的状态信息,生成最后的推荐结果。随后,本文设计并实现了一个个性化电影推荐系统,该系统结合了深度学习模型推荐和基于内容的推荐,可以根据用户的观影历史动态地为用户进行电影推荐,并且解决了新用户和新电影的冷启动问...

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图２－１典型的循环神经网络结构??

神??经网络。??循环神经网络（ＲＮＮ）之所以称之为循环，是因为在苘一个层中，不同节点的数据具??有先后关系，以一个序列的形式送入循环网络层＊?９前节点的输出不仅与当前输入有关，??与前面的输入也有关，每个节点内都会做相同的工作。网络中隐藏层执行到每个节点会??或多或少保留一些前....

图２－２长短期记忆模型内部节点结构??ＬＳＴＭ与普通ＲＮＮ的整体结构类似，都是输入Ｘ，向下一个节点传递状态，输出ｙ

．２．２长短期记忆网络结构??长短期记忆（Ｌｏｎｇ?ｓｈｏｒｔ－ｔｅｒｍ?ｍｅｍｏｒｙ，?ＬＳＴＭ）是对ＲＮＮ的１种改进［３Ｑ］，改进表现??在节点内部的计算。目的生栗是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。??相比普通的ＲＮＮ，ＬＳＴＭ能够在更长的序列中有更好的表现....

图２－３门控循环单元网络模型内部节点结构??ＧＲＵ基本结构与普通ＲＮＮ类似，只需要传递一个状态但其单元内部同ＬＳＴＭ类??

?第二ｅ推荐系统与深度学ａ相关理论和技术基础???２．２．３门控循环单元网络结构??门控循环单元（Ｇａｔｅｄ?Ｒｅｃｕｒｒｅｎｔ?Ｕｎｉｔ，?ＧＲＵ）是在２０１４年提出的［３１］，效果堪比ＬＳＴＭ，??但是用到的参数更少，相当于是ＬＳＴＭ的一个变体。ＧＲＵ保持了?ＬＳＴＭ的效果，....

图２－４注意力机制计算过程??法意力机制的基本思想是，从太量信息中有选择地提取出部分童要信息，并将焦点??

关注信息的能力，这是长期??以来的进化结果》极大地提升了人的生存能力。在实际生活中，人们也不可能每时每刻??都对所有事物有同样的关注度ｊ只能重点关注那些相关的焦点信息，深度学习中的注＆??力同样是为了在任务执行过程中能够获取最关键、最重要的信息，进而影响最终的输出??出结果。??....

本文编号：4052619