基于兴趣度的协同过滤推荐系统研究

作     者：闵姝文 

作者单位：武汉大学 

学位级别：硕士

导师姓名：吴黎兵

授予年度：2021年

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：推荐系统 协同过滤 深度学习 隐式反馈 注意力神经网络 

摘      要：人类生活的网络化为大数据的到来提供了坚实基础,如何利用庞大的数据信息为人类生活带来便利、为商家经营带来收益成为了一个非常务实且必要的问题,个性化推荐系统的诞生为该问题的解决提供了一个很好的方向。协同过滤因为其在用户兴趣建模中的可用性和有效性一直是推荐系统的关键组成部分。同时,近年来,深度学习在诸多领域都取得了突破,其越来越多地被作为从用户和物品特征交互中捕获更丰富的协同信号的一种方法而应用于推荐系统中。然而,如何利用协同过滤的思想从大规模且稀疏的用户隐式反馈数据中提取高质量的用户和物品的特征这一问题经常被忽略。另外,大多数基于深度学习的推荐方法只考虑特征之间非线性、高阶的交互,而忽略了捕捉特征低阶交互中的显式协同信号,或者协同信号挖掘不充分。而这些都是实现高质量的物品推荐必须考虑的基础内容。 针对以上问题,本文从特征提取和模型构建两个方面进行了相关研究。本文首先回顾了协同过滤中传统的特征提取方法,针对传统方法协同信号挖掘不充分问题,尝试利用用户和物品的隐式交互数据动态地建模用户的兴趣和物品的属性。然后,本文重点基于深度学习中以交互函数学习为基础的方法提出了一种深度推荐模型,尝试将其构建为一个能同时挖掘用户和物品之间显式线性关系和隐式非线性关系的端到端模型。 具体言之,在特征提取方面,本文提出了一种基于双边邻居信息的个性化特征提取方法,该方法将用户表示为其历史交互物品(即用户邻居信息),将物品表示为其历史交互用户(即物品邻居信息)。同时,鉴于不同的用户交互物品对该用户的特征表示作用不同,针对特定的目标物品,该方法构建了一个注意力神经网络来动态建模用户兴趣特征。针对数据稀疏问题,该方法能够起到缓解作用,同时实现用户个性化建模。 在模型构建方面,本文提出了一种基于协同过滤的深度兴趣推荐模型——DAICF,该模型利用嵌入层和表示层得到能够体现用户兴趣和物品属性的嵌入向量,然后利用浅层组建建模向量之间的二阶线性关系,利用深层组件建模向量之间的高阶非线性关系,最后将这两种互补的信号融合在一起后为用户提供有效的推荐,该方法能够实现模型记忆性与泛化性的同步提升。 本文在Pinterest、Digital Music、Office Product和Movie Lens四种类型的公开数据集上进行了大量实验,在不同的评估指标下对比了DAICF模型与五种对比模型的效果差异,同时,本文针对DAICF模型的特征选择和组成进行了验证实验。实验结果证明DAICF模型的效果领先于其他模型,模型构建的特征和组成模块均有效提升了模型的效果,这说明本文提出的方法实现了从用户的历史行为数据中建模用户和物品的协同信号、挖掘用户个性化的兴趣偏好的功能。最后,本文通过对真实用户的案例分析证明了DAICF模型对用户个性化建模的有效性和可解释性。