基于对抗生成网络和注意力机制的协同过滤推荐方法研究

摘要

近年来，随着计算机技术的快速发展和推荐系统的日渐成熟，人们在网络中经常会被系统自动推荐消息。由于多数推荐都是基于协同过滤推荐，并没有更全面、更多样化、更深入的考虑到用户的喜好，如何对人们各自的喜爱进行更加准确、高效的推荐已成为研究人员需要解决的问题。本文使用融合生成对抗网络(Generative Adversarial Networks，GANs)和注意力机制(Attention Mechanism)的协同过滤推荐方法，其具体研究如下：　　(1)本文提出了一种双层注意力机制的协同过滤模型(Collaborative filtering model based on dual attention mechanism，CF-DA)主要是为了解决用户的行为偏好以及线性和非线性的特征提取。由于生成对抗网络做推荐无法解决用户的行为偏好，所以可以利用双层注意力机制来解决。首先获取用户的信息，在第一层注意力层的过程中提取出每个用户对电影特征的偏好，来作为第二层的输入。然后在第二层注意力层中，让用户向量与用户观影历史记录结合起来通过计算，结果值作为用户的偏好特征值。最后，利用偏好特征值与线性特征值经过特定函数得出最终权重值。　　(2)本文提出了一种生成对抗网络和注意力机制结合的模型。在本文中，首先使用用户、电影信息作为输入，并且让对抗生成网络中的生成器去生成一个n维向量。接下来，本文提出了一种融合注意力机制的新方法，就是在对抗网络模型上面增加了CF-DA模型，让n维向量和注意力机制得到的权重值进行求积计算，得到的结果值放入推荐列表中作为判别器的输入，判别器会拿输入值跟真实数据作对比，如果推荐列表的数值接近真实数据，则判别器会判别为真(real为1)，进行推荐；否则判别为假(fake为0)，进行反向传播。在训练过程中，每次的正向传播都会得到输出值和真实值的损失值，这个损失值越小，代表模型越好，我们把ACFGAN(GANs和CF-DA组合后的模型)中的输出值作为输入去计算损失函数，生成器和判别器会有自己相对应的损失函数，整个模型利用反向传播算法，判别器的参数最先更新，最后生成器参数的更新需要通过再次采样得来的噪声数据进行，从而达到优化模型的效果。　　(3)实验设计、结果和分析。本文基于所提方法与其他先进的方法综合相比具有较好的性能。最后，通过真实数据集上的大量实验，验证了CF-DA模型融入进ACFGAN模型中确实能够有效提升推荐准确度和效率。

目录

声明

第 1 章 绪 论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 生成对抗网络研究现状

1.2.2 注意力机制的研究现状

1.3 本文的研究内容

1.4 本文的组织结构

第 2 章 相关理论与基础知识

2.1 神经网络

2.1.1 神经元

2.1.2 感知机

2.1.3 反向传播

2.2 生成对抗网络

2.3 注意力机制

2.4 本章小结

第 3 章 基于双层注意力机制的协同过滤模型

3.1 引言

3.2 问题定义

3.3 模型架构

3.2.1 广义矩阵分解模型

3.2.2 双层注意力机制模型

3.4 实验结果和分析

3.4.1 实验数据集

3.4.2 实验结果和分析

3.5 本章小结

第 4 章 基于生成对抗网络和注意力机制的推荐方法

4.1 问题定义

4.2 模型架构

4.3 生成对抗网络模块

4.3.1 基于模型的协同过滤

4.3.2 基于生成对抗网络的协同过滤

4.4 融入注意力机制

4.5本章小结

第 5 章 实验及结果分析

5.1 引言

5.2 实验设计

5.2.1 数据集

5.2.2 评价标准

5.2.3 对比算法

5.3 实验结果与分析

5.5 本章小结

结 论

参考文献

附录 A 攻读学位期间发表的学术论文

致 谢