基于嵌入模型的深度推薦模型算法研究.pdf

1、當前信息時代，伴隨著信息的極大豐富，人們?nèi)绾斡行нx擇信息成為急需解決的問題。在這樣的背景下，推薦系統(tǒng)因其高效性和智能性，而倍受學(xué)術(shù)界和工業(yè)界關(guān)注。傳統(tǒng)的推薦算法雖然有不錯的成績，但同樣存在很多問題，比如評分稀疏性、無法從知識層面分析內(nèi)容、無法處理多媒體數(shù)據(jù)等等問題。
　　深度學(xué)習在語音識別、圖像分析和自然語言處理任務(wù)的突出表現(xiàn)，為克服上述困難帶來了曙光。同時，已有研究表明將深度學(xué)習應(yīng)用到推薦系統(tǒng)中可以得到高質(zhì)量的推薦。且在眾多基于

2、深度學(xué)習的推薦系統(tǒng)當中，存在相當可觀的系統(tǒng)額外利用嵌入模型來提升系統(tǒng)的性能。因此本文對嵌入模型和基于深度學(xué)習的推薦模型進行系統(tǒng)的分析，并分別提出了新的模型，具體如下:
　　一、協(xié)同學(xué)習單詞和字符表示模型。現(xiàn)有的嵌入模型大部分都是面向英文領(lǐng)域，面向中文的嵌入模型發(fā)展不足。而且已有的中文嵌入模型往往直接套用英文嵌入模型的思路，忽略了中文自身存在的特性。中文單詞經(jīng)常由多個字符組成，且字符包含了豐富的語義，因此本文提出了協(xié)同學(xué)習單詞和字符

3、模型。該模型在相同的語義空間下對單詞和字符進行分布式表達，利用字符信息直接提升單詞表示的質(zhì)量。此外，此嵌入模型可以直接應(yīng)用到基于嵌入模型的深度推薦模型中，間接提高推薦系統(tǒng)質(zhì)量。本文在推理任務(wù)、詞相似任務(wù)、文本分類任務(wù)和推薦任務(wù)上對詞向量進行評估，實驗表明字詞協(xié)同學(xué)習的詞向量優(yōu)于單獨訓(xùn)練的詞向量。
　　二、基于監(jiān)督卷積矩陣分解的文檔推薦模型。本文總結(jié)了現(xiàn)有的基于深度學(xué)習的推薦系統(tǒng)模型:基于卷積矩陣分解的文檔推薦(ConvMF)。Co

4、nvMF雖然采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)捕獲項目描述的上下文信息，但是CNN直接與評分矩陣交互，當評分矩陣非常稀疏時，模型推薦質(zhì)量受到影響。本文通過加入標簽信息來緩解評分矩陣稀疏問題，從而提出了新的深度推薦算法——基于監(jiān)督卷積矩陣分解的文檔推薦算法(Super-ConvMF)。Super-ConvMF網(wǎng)絡(luò)通過標簽和評分矩陣的聯(lián)合監(jiān)督，并且可以額外利用嵌入模型。本文在英文數(shù)據(jù)集上，對提出的推薦算法進行一系列分析，表明了基于監(jiān)督卷積矩陣分解的