论文部分内容阅读
随着计算机和互联网的飞快发展，百度、新浪、字节跳动和网易等互联网企业也快速发展起来。伴随着互联网企业的快速发展大量的数据喷涌而来，信息过载导致用户不能快速的筛选对自己有帮助的信息。为此，研究者们开始着力于开发推荐系统帮助用户进行决策。推荐算法包括传统推荐算法和基于深度学习的推荐算法。目前，传统的推荐算法和基于深度学习的推荐算法面临的挑战都是数据稀疏和冷启动。数据稀疏是由于用户项目之间的交互数据过少而导致推荐系统无法准确地预测推荐结果，冷启动是由于新用户或项目没有历史数据导致推荐系统无法根据历史数据进行推荐。为了解决用户项目交互信息中存在的数据稀疏和用户、项目冷启动问题，在推荐系统中引入辅助信息，包括用户画像、用户社会关系、用户信任关系、上下文信息、项目类型、项目相似度以及项目地理影响等，通过辅助信息来提高推荐系统的性能。本文在传统的推荐算法和基于深度学习的推荐算法中加入辅助信息来解决用户项目交互数据稀疏和用户、项目冷启动问题。
为了解决用户项目交互数据稀疏和用户、项目冷启动问题，我们从以下三个方面进行研究:
(1)融合辅助信息的改进的概率矩阵分解推荐算法。本文提出了一个融合辅助信息的改进的概率矩阵分解推荐模型(UPEMF)，UPEMF通过概率矩阵分解模型得到用户-POIs预测评分矩阵，预测评分矩阵和用户-POIs签到矩阵通过哈达玛积计算得到一个新的用户-POIs交互矩阵。UPEMF又通过计算POIs相似度和POIs地理影响获得POIs之间的关联度。最后，将用户-POIs交互矩阵与POIs关联度结合得到预测结果。在两个真实的数据集上实验的实验结果表明，同时考虑用户评分信息、用户签到信息、POIs相似度以及POIs地理影响可以在数据稀疏和冷启动的情况有效提高推荐质量。
(2)基于上下文辅助信息的深度学习推荐算法。本文提出了一个基于上下文辅助信息的深度学习推荐模型(CMDL)，该模型通过多层感知机学习用户潜在特征和项目潜在特征，又通过卷积神经网络学习用户文本特征和项目文本特征。融合用户潜在特征和用户文本特征、项目潜在特征和项目文本特征得到用户特征和项目特征。最后，将用户特征和项目特征输入融合层得到预测结果。在Yelp和Amazon数据集上的实验结果证明，与其他的深度学习推荐算法相比本文提出的算法在数据稀疏和用户冷启动时有更好的推荐效果。
(3)引入注意力机制的深度学习推荐算法。本文提出一个引入注意力机制的深度学习推荐模型(ACMDL)，该模型将注意力机制引入到CMDL模型中。ACMDL通过注意力机制学习用户每个维度特征对目标任务的影响程度以及用户评论中的重要信息并高度关注这些信息。最后，融合用户特征和项目特征输出预测结果。在两个真实的数据集上的实验结果证明，引入注意力机制的ACMDL比CMDL的性能更好，可以更好地关注用户偏好得到更佳的推荐结果。
为了解决用户项目交互数据稀疏和用户、项目冷启动问题，我们从以下三个方面进行研究:
(1)融合辅助信息的改进的概率矩阵分解推荐算法。本文提出了一个融合辅助信息的改进的概率矩阵分解推荐模型(UPEMF)，UPEMF通过概率矩阵分解模型得到用户-POIs预测评分矩阵，预测评分矩阵和用户-POIs签到矩阵通过哈达玛积计算得到一个新的用户-POIs交互矩阵。UPEMF又通过计算POIs相似度和POIs地理影响获得POIs之间的关联度。最后，将用户-POIs交互矩阵与POIs关联度结合得到预测结果。在两个真实的数据集上实验的实验结果表明，同时考虑用户评分信息、用户签到信息、POIs相似度以及POIs地理影响可以在数据稀疏和冷启动的情况有效提高推荐质量。
(2)基于上下文辅助信息的深度学习推荐算法。本文提出了一个基于上下文辅助信息的深度学习推荐模型(CMDL)，该模型通过多层感知机学习用户潜在特征和项目潜在特征，又通过卷积神经网络学习用户文本特征和项目文本特征。融合用户潜在特征和用户文本特征、项目潜在特征和项目文本特征得到用户特征和项目特征。最后，将用户特征和项目特征输入融合层得到预测结果。在Yelp和Amazon数据集上的实验结果证明，与其他的深度学习推荐算法相比本文提出的算法在数据稀疏和用户冷启动时有更好的推荐效果。
(3)引入注意力机制的深度学习推荐算法。本文提出一个引入注意力机制的深度学习推荐模型(ACMDL)，该模型将注意力机制引入到CMDL模型中。ACMDL通过注意力机制学习用户每个维度特征对目标任务的影响程度以及用户评论中的重要信息并高度关注这些信息。最后，融合用户特征和项目特征输出预测结果。在两个真实的数据集上的实验结果证明，引入注意力机制的ACMDL比CMDL的性能更好，可以更好地关注用户偏好得到更佳的推荐结果。