基于深度学习的跨领域推荐算法研究

作     者：夏雪 

作者单位：烟台大学 

学位级别：硕士

导师姓名：刘其成

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：跨领域推荐 元网络 注意力机制 卷积神经网络 重构自编码器 迁移学习 

摘      要：如今,网络时代的迅速发展产生了海量的数据信息,推荐系统可以帮助用户迅速的从大数据中筛选出符合用户特征的信息,为用户提供个性化服务。传统单领域推荐系统基于用户与物品的交互数据进行推荐,严重依靠用户的评分信息,存在数据稀疏问题。因此,跨领域推荐算法应运而生,基于深度学习的跨领域推荐算法研究逐渐成为研究重点。跨领域推荐算法使用了迁移学习的思想,将源领域的数据信息迁移到目标领域用来丰富目标领域的数据信息,减少推荐的错误率。由于用户-项目的评分矩阵过于稀疏,仅仅利用评分信息进行用户建模容易降低模型的推荐效果。并且信息具有一定的时效性,用户的兴趣特征会随时间变化而改变。如何充分利用用户的数据,更准确的提取用户特征信息,用以迁移到目标领域是一个非常重要的问题。除此之外,源领域与目标领域之间存在一定的差异,现有的映射迁移方法忽略了领域之间的差异性,在将源领域的数据迁移到目标领域时会导致负迁移问题。迁移到目标领域的信息有时不仅不能提高目标领域的推荐性能,反而会产生负面的影响。考虑如何更精确地将源领域的信息迁移到目标领域成为另一个迫切需要解决的问题。本文改进过去研究方案的缺点,分别提出基于元网络和评论信息的跨领域推荐算法以及基于自编码器和注意力迁移的跨领域推荐算法。具体研究内容如下: (1)针对传统推荐算法中的数据稀疏问题,为了丰富用户数据信息,更加准确地提取用户的特征信息,本文提出一种基于元网络和评论信息的跨领域推荐算法CDRMR(Cross-Domain Recommendation Based on Meta-Network and Review Information)。该算法将目标领域和源领域的用户/项目信息进行编码,通过文本卷积神经网络提取用户/物品的评论信息中所包含的特征,建模用户的偏好信息。加入时间因子修正用户偏好,过元网络计算每个项目对于迁移的权重,经过两层前馈网络形成每个用户的可转移特征嵌入,从而生成个性化迁移路径,将用户的偏好信息迁移到目标领域,融合两个领域的信息进行评分预测。本文在两个相关的跨领域对上进行了实验,结果表明,本文提出的算法优于基准模型,在一定程度上提高了推荐系统的性能,缓解了数据稀疏问题。 (2)为了解决现有的映射迁移方法造成的负迁移问题,本文提出了基于自编码器和注意力迁移的跨领域推荐算法。该算法使用模型预训练用户在当前领域的特征信息,生成用户在各自领域的特征编码。设计了一个重构自编码器,来生成用户在两个领域的全局用户嵌入,获取用户的无偏表示。将用户在源领域和目标领域的用户特征信息拼接为一个长向量。使用自编码器提取用户的全局潜在表示,并将其送到解码器中重构用户在单领域的特征嵌入。将用户在源领域的用户/项目交互信息通过元网络生成可迁移的用户特征,并将其转移到目标领域。应用注意力机制,将用户在源领域的可迁移特征信息迁移到目标领域,生成特定于目标领域的用户嵌入进行评分预测。本文在Amazon数据集所组成的两个领域对进行了实验,结果表明本文提出得算法优于其他基准模型。