基于深度学习的推荐系统研究与实现

• 作 者: 殷宏磊
• 出 处: 电子科技大学
• 发表日期: 2020年01期
• 关键词: 深度学习 推荐系统 注意力机制 残差网络 智能机器人

近几年,随着大数据和人工智能的迅速发展,深度学习作为特征提取的重要工具,被应用在人们生活的方方面面。而推荐系统由于其数据处理和信息检索的强大能力,成为各个主流应用中的主要模块。本文重点研究了深度学习在推荐系统中应用的相关技术。在推荐系统的热门挑战-用户点击率问题中,深度因子分解机是当前表现最好的模型,本文对其进行介绍和分析,并提出了残差交互模型。同时在“财宝”服务机器人平台中进行了相关推荐系统的设计与实现。本文的创新和贡献主要分为以下两部分:1.本文分析了基于深度学习的推荐系统相关算法,在探索用户点击率问题的解决方案中,用户和项目作为推荐系统中的两个主体,其关联程度代表用户对该项目的偏好程度,但用户和项目特征之间的关联信息往往被忽略。所以,本文引入了基于注意力机制的“用户-项目交互特征表示”。通过交互表示的方式,来重构原有特征,并将该特征用于模型训练。为了进一步提取到用户和项目之间更多有效的高维交互信息,本文通过引入残差网络的思想对全连接网络进行加深。对比普通的网络加深,残差网络在保证模型健壮性的基础上,可以提取到更高维的特征信息。之后通过低维和高维特征联合训练的方式对残差交互模型进行训练。2.在“财宝”服务机器人平台中,用户往往通过主动咨询的方式来获取目标信息。为了能够为用户主动提供个性化的信息服务,本文完成了基于深度学习的推荐系统。该系统主要分为两个模块,数据处理模块和推荐算法模块。在数据处理模块中,主要对如何进行数据爬取、数据预处理、数据更新方面进行详细的介绍。在推荐算法模块中,主要分为深度模型推荐,协同过滤推荐,基于内容的推荐。通过对三种推荐算法的介绍,并将其应用在“财宝”服务机器人平台系统中,实现了基于深度学习的推荐系统。实验结果表明,本文提出的残差交互模型,在公共数据集中表现最好;此外,实现了在“财宝”服务机器人平台中关于深度模型的相关应用。证明了基于深度学习的推荐算法模型是可行的。