基于特征表示的推薦算法實踐與研究.pdf

1、推薦系統(tǒng)作為一種信息過濾工具誕生至今已有20余年，推薦算法的應(yīng)用場景亦早已不限于電商領(lǐng)域，轉(zhuǎn)而在諸多關(guān)聯(lián)人和信息的領(lǐng)域發(fā)揮作用。早期的推薦算法多采用單一的用戶物品交互數(shù)據(jù)，基于上下文信息的推薦算法致力于通過額外場景信息的引入來對傳統(tǒng)推薦算法進行改良。受神經(jīng)網(wǎng)絡(luò)和矩陣分解算法普及的影響，特征表示的算法日新月異。本文致力于通過基于上下文的特征表示，在隱式反饋數(shù)據(jù)上引入上下文信息以提升推薦精度，具體包括三方面工作:
　　歸納總結(jié)并實現(xiàn)常

2、見的基于特征表示的推薦模型。具體地，針對引入了上下文的隱式數(shù)據(jù)推薦場景，改進并實現(xiàn)矩陣分解和因子機算法;因推薦中神經(jīng)網(wǎng)絡(luò)模型應(yīng)用較少，且一般只使用單一評分數(shù)據(jù)，設(shè)計了一種可引入多源特征數(shù)據(jù)的DeepRec算法。
　　在隱因子模型基礎(chǔ)上，提出一種基于上下文信息的矩陣分解方法(CAMF)。建模非線性的特征交互關(guān)系，同時又緩解數(shù)據(jù)稀疏性。引入按對排序?qū)W習框架，更加貼近基于隱式反饋數(shù)據(jù)的Top-K推薦場景，提升相關(guān)推薦算法性能。