推荐系统是为了解决互联网大数据场景下信息过载问题而产生的一种自动化信息检索技术。但是传统的推荐系统,比如基于矩阵分解的协同过滤推荐模型都是通过学习用户的历史行为数据得到隐藏的用户特征,并依据这些隐藏的兴趣特征向用户推荐符合用户需求的项目。但是,这类方法学习的兴趣特征一般都是静态的,往往会忽视推荐系统的动态性特点,属于静态推荐系统。动态推荐系统希望通过学习动态变化的兴趣特征来考虑推荐系统中的动态因素,从而实现推荐任务能够随着时间变化而实时更新,对于用户的实时推荐需求具有重要的现实意义,特别适用于现今移动互联网环境下的用户兴趣快速迁移场景。动态推荐模型主要依赖的应用数据为时序数据,即带有时间戳的用户历史行为数据。具有时序特性的行为数据包含能够反映用户真实的兴趣变化的历史记录。因此,挖掘时序数据有助于帮助我们理解用户的动态兴趣特征,进而提高个性化推荐的准确性。而基于循环神经网络的推荐系统能够很好地挖掘用户历史行为模式,从而发现用户兴趣迁移的规律。论文利用两种类型的神经网络:循环神经网络和前馈神经网络,实现用户长短期兴趣的挖掘,从而建立一个兼顾用户短期兴趣和稳定长期兴趣的混合动态推荐系统,来进一步提升推荐准确性。本文通过对这些关键领域的深入研究,提出主要创新点及研究成果如下:(1)论文针对推荐系统中出现的动态性问题进行了研究探讨,并提出用户行为周期的概念,将循环神经网络引入到动态推荐系统领域中;将用户行为历史数据切分为多个用户行为周期,训练学习神经网络结构中用户的短期兴趣相关的参数。(2)论文对基于循环神经网络的推荐系统模型作进一步改进,提出在行为周期数据中引入历史元素单元,用于存储历史行为周期信息,以完善循环神经网络模型对于历史信息的追溯能力。同时,论文提出在循环神经网络中增加Embedding层和Dropout层缓解神经网络训练的过拟合问题。(3)论文提出了一种融合两类神经网络模型-循环神经网络(RNN)和前馈神经网络(FNN)的多神经网络混合动态推荐系统框模型(Hybrid Dynamic Recommendation Model Based on Multiple Neural Networks,简称MN-HDRM)。MN-HDRM推荐系统框架结合了循环神经网络和前馈神经网络的两种神经网络模型的特点,融合用户行为短周期情况下短期兴趣迁移因素和用户在全局环境下的长期兴趣因素,以形成用户长短周期兴趣在动态推荐系统中的动态平衡。同时,论文选择贝叶斯个性化排名(BPR)作为最优推荐项目列表排名的目标函数,以实现Top-N最佳结果推荐。最后本文系统地将MN-HDRM推荐模型与其他比较流行的多种动态推荐模型算法:TimeSVD++、基于HMM的推荐方法和基于RNN的推荐方法,在***和Tmall两组真实数据集上进行实验对比。最后的实验结果表明本文提出的MN-HDRM推荐模型在精确率、召回率、F-测度和平均倒数排名等多项评价指标上展现出更加优越的性能。
暂无评论