融合元数据及隐反馈信息联合学习推荐算法研究

摘要

融合元数据的协同过滤推荐即混合推荐算法是目前推荐系统领域的主要方法，能一定程度地缓解数据稀疏及冷启动等问题。然而目前推荐系统仍存在巨大挑战，一方面因显式反馈难以获取，并且大多数推荐算法采用浅层模型使其难以挖掘深层次的有效信息，从而导致推荐质量不佳；另一方面对元数据中的交互关系表达不充分，大多数模型仅从单一层次表达交互关系，以致于用户项目间部分的层次性复杂交互结构缺失。此外，学习元数据的辅助模型建立于属性权重配比相同的情况下，使得用户/项目的主次属性区分不明确，导致用户偏好表达存在偏差。因此，如何基于深度学习更好地利用元数据、隐反馈实现推荐将成为推荐学术领域的研究热点。 基于此，论文从元数据中层次性关系以及关键属性两个角度作为切入点。推荐整体框架采用双深度网络联合学习，其中一个网络利用隐式反馈学习用户及项目个体个性化关系。另一网络从多层次关系视角利用元数据学习高层次群体共性化关系，通过挖掘一些群体中的某些潜在交互以进一步体现用户共性偏好，使算法在个体及群体因素间达到平衡，继而提出融合元数据及隐反馈信息多层次联合学习推荐方法。其次，在关键属性研究视角提出融合元数据及Attention机制的深度联合学习推荐算法，通过利用Attention机制自动捕捉用户/项目关键属性对推荐工作的影响，动态赋予不同属性权重使其能够更好地学习用户偏好。最后，将所提出的推荐算法在MovieLens100K和1M两个公开数据集上进行实验评估，结果表明论文所提出的算法比相关的经典算法表现出较为优越的推荐性能。

目录

第一个书签之前