隨著互聯(lián)網(wǎng)基礎(chǔ)設(shè)施的日益完善和云計算技術(shù)的逐漸成熟,信息技術(shù)已經(jīng)廣泛應(yīng)用在各行各業(yè)。面對規(guī)模龐大的數(shù)據(jù),如何高效檢索出所需的信息變得越來越困難,這就是所謂的“信息過載”問題。推薦系統(tǒng)能通過分析用戶的歷史行為數(shù)據(jù),主動地從大規(guī)模的數(shù)據(jù)中提取用戶感興趣的信息呈現(xiàn)給用戶,已經(jīng)成為緩解“信息過載”的有效途徑之一。然而,推薦系統(tǒng)仍面臨著諸多挑戰(zhàn):(1)數(shù)據(jù)稀疏問題:用戶和物品的交互記錄以矩陣進(jìn)行存儲,往往每個用戶僅跟少量物品產(chǎn)生過交互,這導(dǎo)致的矩陣稀疏問題將會增大推薦系統(tǒng)對用戶建模的難度;(2)冷啟動問題:對于一個新的用戶(或物品),交互記錄矩陣將新增一行(或一列)。由于新用戶(或物品)可用于建模的信息不足,將產(chǎn)生不準(zhǔn)確的推薦結(jié)果;(3)可解釋性問題:目前很少推薦算法能給出推薦結(jié)果的推薦理由,極大地影響用戶的使用體驗。如何提高推薦結(jié)果的可解釋性,是一個值得探討的問題。針對上述問題,本文結(jié)合自然語言處理的深度學(xué)習(xí)技術(shù),基于評論文本數(shù)據(jù)展開了推薦算法的研究,主要的工作如下:(1)針對數(shù)據(jù)稀疏和冷啟動問題,提出了融合評論文本和評分矩陣的推薦模型。近年的相關(guān)研究都僅使用評分?jǐn)?shù)據(jù)或評論數(shù)據(jù),為了同時利用這兩...

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-5多層RNN結(jié)構(gòu)

ttttthzhzh)1(1（2.28）2)多層RNN結(jié)構(gòu)tXth1th1thtanhtanhtanhtanhtanhtanh1tXRNNCell（LSTM）RNNCell（LSTM）1tXth1th1th第二層

圖2-6雙向RNN結(jié)構(gòu)

中國民航大學(xué)碩士學(xué)位論文18的隱狀態(tài)拼接作為最終的隱狀態(tài)。tXth1th1thtanhtanhtanhtanhtanhtanh1tXRNNCell（LSTM）RNNCell（LSTM）正向反向1tXthtXtanhtanhtanhtanhtanhtanhRNNCell（LSTM）....

圖3-7二階項的注意力得分綜上所述，得益于區(qū)分不同二階組合貢獻(xiàn)度的能力，變體AFM性能勝于變體FM

中國民航大學(xué)碩士學(xué)位論文41結(jié)果可知，二階交互有利于隱因子質(zhì)量的提高，變體FM比變體Fully_Connected取得更好的結(jié)果。為了探究同源和非同源二階項對建模的貢獻(xiàn)，下文使用變體AFM對6種不同的二階項組合進(jìn)行注意力打分。由于隱因子數(shù)量k為16時模型取得最....

圖4-5評論

中國民航大學(xué)碩士學(xué)位論文61(2)模型參數(shù)靈敏度分析Ⅰ.方面數(shù)量對模型的影響圖4-4展示了在不同主題的數(shù)據(jù)集下，不同方面數(shù)量對模型的影響。對于不同數(shù)據(jù)集，模型取得最佳性能時所對應(yīng)的方面數(shù)量是不同的，最佳性能所需的方面數(shù)量為4-6，這意味著方面數(shù)量過少或過大都不是合理的。當(dāng)方面數(shù)為....

本文編號：4051152