基于多神經(jīng)網(wǎng)絡(luò)的混合動(dòng)態(tài)推薦研究.pdf

1、動(dòng)態(tài)推薦模型主要依賴的應(yīng)用數(shù)據(jù)為時(shí)序數(shù)據(jù)，即帶有時(shí)間戳的用戶歷史行為數(shù)據(jù)。具有時(shí)序特性的行為數(shù)據(jù)包含能夠反映用戶真實(shí)的興趣變化的歷史記錄。因此，挖掘時(shí)序數(shù)據(jù)有助于幫助我們理解用戶的動(dòng)態(tài)興趣特征，進(jìn)而提高個(gè)性化推薦的準(zhǔn)確性。而基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)能夠很好地挖掘用戶歷史行為模式，從而發(fā)現(xiàn)用戶興趣遷移的規(guī)律。論文利用兩種類型的神經(jīng)網(wǎng)絡(luò)：循環(huán)神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)用戶長(zhǎng)短期興趣的挖掘，從而建立一個(gè)兼顧用戶短期興趣和穩(wěn)定長(zhǎng)期興趣的混合

2、動(dòng)態(tài)推薦系統(tǒng)，來(lái)進(jìn)一步提升推薦準(zhǔn)確性。本文通過(guò)對(duì)這些關(guān)鍵領(lǐng)域的深入研究，提出主要?jiǎng)?chuàng)新點(diǎn)及研究成果如下：
　　①論文針對(duì)推薦系統(tǒng)中出現(xiàn)的動(dòng)態(tài)性問(wèn)題進(jìn)行了研究探討，并提出用戶行為周期的概念，將循環(huán)神經(jīng)網(wǎng)絡(luò)引入到動(dòng)態(tài)推薦系統(tǒng)領(lǐng)域中；將用戶行為歷史數(shù)據(jù)切分為多個(gè)用戶行為周期，訓(xùn)練學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中用戶的短期興趣相關(guān)的參數(shù)。
　?、谡撐膶?duì)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)模型作進(jìn)一步改進(jìn)，提出在行為周期數(shù)據(jù)中引入歷史元素單元，用于存儲(chǔ)歷史行為

3、周期信息，以完善循環(huán)神經(jīng)網(wǎng)絡(luò)模型對(duì)于歷史信息的追溯能力。同時(shí)，論文提出在循環(huán)神經(jīng)網(wǎng)絡(luò)中增加Embedding層和Dropout層緩解神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)擬合問(wèn)題。
　?、壅撐奶岢隽艘环N融合兩類神經(jīng)網(wǎng)絡(luò)模型-循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和前饋神經(jīng)網(wǎng)絡(luò)（FNN）的多神經(jīng)網(wǎng)絡(luò)混合動(dòng)態(tài)推薦系統(tǒng)框模型（HybridDynamic Recommendation Model Based on Multiple Neural Networks，簡(jiǎn)稱MN-H

4、DRM）。MN-HDRM推薦系統(tǒng)框架結(jié)合了循環(huán)神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)的兩種神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)，融合用戶行為短周期情況下短期興趣遷移因素和用戶在全局環(huán)境下的長(zhǎng)期興趣因素，以形成用戶長(zhǎng)短周期興趣在動(dòng)態(tài)推薦系統(tǒng)中的動(dòng)態(tài)平衡。同時(shí)，論文選擇貝葉斯個(gè)性化排名（BPR）作為最優(yōu)推薦項(xiàng)目列表排名的目標(biāo)函數(shù)，以實(shí)現(xiàn)Top-N最佳結(jié)果推薦。最后本文系統(tǒng)地將MN-HDRM推薦模型與其他比較流行的多種動(dòng)態(tài)推薦模型算法：TimeSVD++、基于HMM的推薦方法