基于多特征融合分析的推荐模型的研究与实现

• 作 者: 郑书强
• 出 处: 北京邮电大学
• 发表日期: 2019年01期
• 关键词: 多特征融合 推荐系统 神经网络 隐语义模型 协同过滤

近年来,互联网的快速发展使得在线系统中的信息呈爆炸式增长,而人们对个性化信息的需求越来越强烈。推荐系统已成为海量信息过滤和精准呈现的有效工具,在电子商务网站和其他在线内容消费系统中的应用也越来越广泛。常见推荐算法是协同过滤算法,以及基于矩阵分解的改进算法,但是大多数方法都是基于评级预测模式,忽略了用户行为的时间上下文和循环模式,也没有综合考虑多种情况下的用户行为特征;同时,推荐中的矩阵稀疏问题和可扩展性问题还需要进一步改进。本文提出了基于多特征融合分析的推荐模型,旨在综合考虑循环模式下多种用户行为的时间上下文,并且在考虑多个显性特征的同时也将隐性特征融合进来进行分析,减轻推荐系统研究中的矩阵稀疏和可扩展性问题,进一步提高推荐系统的精度。在线系统每天产生大规模的用户行为日志,例如购物、社交、音乐、视频软件中的活动记录,我们统称为用户在线消费行为记录。对于在线内容消费系统中的用户行为,在本文中我们分为:时序基础上的用户长期行为,用户习惯改变产生的近期短期行为,以及当时流行因素对用户行为影响而产生的流行元素下用户行为。由此我们可以得到按时间排列的长期用户活动序列、短期用户活动序列;通过考虑流行元素对用户在线消费记录进行筛选,可以得到当时流行元素影响下用户活动序列。基于以上三种循环模式下的活动序列,我们提出一种新的、误差更小、更加有效的推荐模型,该模型将循环神经网络和反向传播神经网络在动态推荐系统中嵌套使用,学习在线内容消费系统中不同类型的用户行为特征,可以更加准确地预测用户下一时刻的在线消费行为。然后将上述用户消费不同商品的概率转化为评分,用隐语义模型将隐性特征融合进来,改进传统的协同过滤算法,以解决推荐系统研究中常见的矩阵稀疏和可扩展性问题,得到更加精准的推荐模型。最后,本研究设计了基于多特征融合分析的推荐模型,并做了进一步改进,该推荐模型的有效性和精准度在现实世界的数据集上得到了验证,具有极大的现实意义。