基于排序?qū)W習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的推薦算法研究.pdf

1、隨著互聯(lián)網(wǎng)技術(shù)特別是以淘寶和亞馬遜等為代表的電子商務(wù)的飛速發(fā)展，互聯(lián)網(wǎng)中的數(shù)據(jù)呈現(xiàn)爆炸性增長，信息過載問題顯得越來越嚴(yán)重。幫助我們從海量數(shù)據(jù)中篩選出有意義數(shù)據(jù)的信息過濾技術(shù)顯得越來越重要。在此背景下，推薦系統(tǒng)誕生了，并且迅速發(fā)展成為當(dāng)前互聯(lián)網(wǎng)應(yīng)用中的重要組成部分。推薦系統(tǒng)根據(jù)用戶行為記錄從大規(guī)模數(shù)據(jù)中找到用戶感興趣商品，它對于提高用戶的滿意度和零售商的銷售額具有重要的意義。
　　用戶在互聯(lián)網(wǎng)中的行為主要分為兩類，分別是隱性反饋行為

2、和顯性反饋行為。其中在隱性反饋行為中用戶沒有顯式地表達對特定商品的偏好，主要包括用戶的點擊、瀏覽、收藏等行為;而在顯性反饋行為中用戶則顯式地表達了對特定商品的偏好信息，這些行為中較為常見的主要有評分行為。針對不同類型的用戶反饋行為數(shù)據(jù)有不同的推薦方法，本文對兩種不同的用戶反饋行為進行了細致地分析和挖掘，并且分別有針對性地提出了兩種方法以提高推薦系統(tǒng)的性能。
　　針對顯性反饋行為的評分行為，本文選取Top-K推薦作為研究目標(biāo)。引入信

3、息檢索領(lǐng)域排序?qū)W習(xí)的方法并且融合用戶的社交信息和商品標(biāo)簽信息，本文擴展了一種基于列表排序?qū)W習(xí)的矩陣分解方法，一方面充分考慮用戶之間關(guān)注關(guān)系。首先通過用戶之間的關(guān)注關(guān)系計算用戶之間的信任度，接著通過用戶之間的信任度在原始模型的損失函數(shù)中添加用戶社交約束項，使相互信任的用戶偏好向量盡可能接近。另一方面，計算商品所擁有標(biāo)簽的權(quán)重并以此計算商品之間的標(biāo)簽相似度，再將商品的標(biāo)簽約束項添加至損失函數(shù)中。在真實Epinions和百度電影數(shù)據(jù)集中的實驗

4、結(jié)果表明，我們提出的方法的NDCG值和原始模型相比具有一定的提高，有效地提高了推薦準(zhǔn)確率。
　　針對隱性反饋行為，本文選取電子商務(wù)領(lǐng)域的下一個購物籃推薦作為研究目標(biāo)。本文首先將用戶行為按照一定的時間窗口進行劃分，對于每個窗口從多個不同的維度抽取用戶對商品的時序偏好特征;接著運用深度學(xué)習(xí)領(lǐng)域的卷積神經(jīng)網(wǎng)絡(luò)模型，模型中的卷積層組合不同長度的特征圖來訓(xùn)練分類器。在阿里巴巴移動推薦算法競賽公布的真實數(shù)據(jù)集中的實驗結(jié)果表明，和傳統(tǒng)的線性模型