
基于神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)模型
為用戶提供建議的平臺(tái)。協(xié)同過濾算法是推薦系統(tǒng)中使用的主要算法之一。這種算法簡單、高效;然而,數(shù)據(jù)的稀疏性和方法的可擴(kuò)展性限制了這些算法的性能,并且很難進(jìn)一步提高推薦結(jié)果的質(zhì)量。因此,提出了一種將協(xié)同過濾推薦算法與深度學(xué)習(xí)技術(shù)相結(jié)合的模型,其中包括兩部分。首先,該模型采用基于二次多項(xiàng)式回歸模型的特征表示方法,通過改進(jìn)傳統(tǒng)的矩陣因子分解算法,更準(zhǔn)確地獲得潛在特征。這些潛在特征被認(rèn)為是深層神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。該模型的第二部分,用于預(yù)測評(píng)價(jià)分?jǐn)?shù)。最后,通過與其他三個(gè)公共數(shù)據(jù)集的推薦算法進(jìn)行比較,驗(yàn)證了我們的模型可以有效地提高推薦性能。
隨著人工智能技術(shù)的發(fā)展,越來越多的智能產(chǎn)品正在被應(yīng)用。日常生活,為各種各樣的人提供方便。個(gè)性化推薦系統(tǒng)的智能推薦功能可以有效地為用戶提供服務(wù)。從海量的互聯(lián)網(wǎng)數(shù)據(jù)中獲取有價(jià)值的
推薦算法是推薦系統(tǒng)中最重要的部分,直接決定推薦結(jié)果的質(zhì)量和性能。的系統(tǒng)。常用的算法可以分為兩大類:基于內(nèi)容的[1]方法和協(xié)同過濾[2]-[4]方法?;趦?nèi)容的方法通過對(duì)額外信息(如文檔內(nèi)容、用戶配置文件和項(xiàng)目屬性)的分析來構(gòu)建用戶和項(xiàng)目的肖像(描述),從而提出建議。在大多數(shù)情況下,用來構(gòu)建肖像的信息很難獲得甚至是偽造的;因此,它的性能而且應(yīng)用范圍受到很大的限制。協(xié)同過濾算法是推薦系統(tǒng)中應(yīng)用最廣泛的算法;它們是不同的從基于內(nèi)容的方法中,他們不需要關(guān)于用戶或項(xiàng)目的信息,他們只基于用戶和諸如點(diǎn)擊、瀏覽和評(píng)級(jí)等項(xiàng)目的交互信息做出準(zhǔn)確的推薦。雖然該方法簡單有效,隨著互聯(lián)網(wǎng)的快速發(fā)展,數(shù)據(jù)的稀疏性限制了算法的性能;因此,研究人員已經(jīng)開始尋找其他方法來提高推薦性能。
近年來,深度神經(jīng)網(wǎng)絡(luò)(DNNs)在計(jì)算機(jī)視覺[5]、語音識(shí)別[6]、自然語言處理[7]等各個(gè)領(lǐng)域取得了巨大的成功。然而,對(duì)這些技術(shù)的推薦系統(tǒng)研究很少。一些研究人員
最近提出的基于深度學(xué)習(xí)的推薦模型,但大多數(shù)模型都使用了附加的特性,比如文本內(nèi)容和音頻信息,以提高它們的性能。鑒于上述信息可能難以獲得大多數(shù)推薦系統(tǒng),本文提出了一種基于DNNs的推薦模型,該模型不需要除了用戶和項(xiàng)目之間的交互之外的任何額外信息。我們模型的主要框架如圖1所示。首先,我們使用用戶項(xiàng)目評(píng)級(jí)矩陣來獲取用戶和項(xiàng)目的特性,我們將在第3節(jié)中討論。然后,我們將這些特征作為神經(jīng)網(wǎng)絡(luò)的輸入。在輸出層中,我們將獲得一些概率值,這些值表示用戶可能給出的分?jǐn)?shù)的概率。最后,以概率最高的分?jǐn)?shù)作為預(yù)測結(jié)果。通過對(duì)三種公共數(shù)據(jù)集的常用和最先進(jìn)的算法進(jìn)行比較,證明該模型能夠有效地提高推薦精度。
本文的其余部分組織如下:在第2節(jié)中,我們介紹了基于DNNs的CF方法和一些推薦算法。我們將在第3節(jié)詳細(xì)描述我們的模型。第4節(jié)包含一些實(shí)驗(yàn)評(píng)估和討論。在第5節(jié)中我們提供了一個(gè)簡短的結(jié)論。
Breese等[8]將CF算法分為兩類:基于內(nèi)存的方法和基于模型的方法?;趦?nèi)存的CF使用用戶[9]或項(xiàng)目[10]之間的相似性來提出建議。由于該方法有效且易于實(shí)現(xiàn),因此得到了廣泛的應(yīng)用,但隨著推薦系統(tǒng)規(guī)模的增大,相似度的計(jì)算也變得越來越困難;此外,高數(shù)據(jù)稀疏性也限制了該方法的性能。
為了解決上述問題,提出了許多基于模型的推薦算法,如潛在語義模型[11]、貝葉斯模型[12]、基于回歸的模型[13]、聚類模型[14]、矩陣因子分解模型[15]。在各種CF技術(shù)中,矩陣分解是最常用的方法。該方法將用戶和項(xiàng)映射到具有相同維度的向量,該維度表示用戶或項(xiàng)的潛在特性。該方法的代表性工作包括非參數(shù)概率主成分分析(NPCA)[16]、奇異值分解(SVD)[17]、概率矩陣分解(PMF)[18]。然而,通過矩陣分解方法學(xué)習(xí)的潛在特征往往不夠有效,特別是當(dāng)評(píng)價(jià)矩陣非常稀疏的時(shí)候。
另一方面,深度學(xué)習(xí)技術(shù)最近在計(jì)算機(jī)視覺和自然語言處理領(lǐng)域取得了巨大的成功。這些技術(shù)在學(xué)習(xí)特征表現(xiàn)方面表現(xiàn)出極大的潛力;因此,研究人員已經(jīng)開始將深度學(xué)習(xí)方法應(yīng)用于推薦領(lǐng)域。Salakhutdinov等[19]使用受限的玻爾茲曼機(jī)代替?zhèn)鹘y(tǒng)的矩陣分解來執(zhí)行CF,而Georgiev和Nakov[20]通過合并兩者之間的關(guān)聯(lián)來擴(kuò)展工作。用戶和項(xiàng)目之間。還有其他一些基于深度學(xué)習(xí)的研究方法,但他們主要關(guān)注[21]和[22]等音樂推薦。這些研究分別使用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)和深度信任網(wǎng)絡(luò)來學(xué)習(xí)音樂的內(nèi)容特征。除了音樂推薦,Wang等[23]提出了采用深度學(xué)習(xí)模型獲取內(nèi)容特征的層次貝葉斯模型,并采用傳統(tǒng)的CF模型來處理評(píng)級(jí)信息。正如我們所看到的,這些基于深度學(xué)習(xí)技術(shù)的方法或多或少地通過學(xué)習(xí)諸如文本內(nèi)容之類的內(nèi)容特征來提出建議。以及音樂的光譜。當(dāng)我們無法獲得物品的內(nèi)容時(shí),這些方法是不適用的。因此,他等[24]提出了一種基于深度學(xué)習(xí)的新的推薦框架。在他們的方法中,用戶和項(xiàng)目通過其ID的一熱編碼表示;顯然,該方法只在模型的訓(xùn)練階段使用ID信息,這使得大量的先驗(yàn)信息無法使用。因此,特征學(xué)習(xí)的有效性難以保證。
數(shù)據(jù)分析咨詢請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計(jì)的實(shí)用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗(yàn)如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗(yàn):數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢變化以及識(shí)別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認(rèn)證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準(zhǔn)確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03