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

1、動態(tài)推薦模型主要依賴的應(yīng)用數(shù)據(jù)為時序數(shù)據(jù)，即帶有時間戳的用戶歷史行為數(shù)據(jù)。具有時序特性的行為數(shù)據(jù)包含能夠反映用戶真實的興趣變化的歷史記錄。因此，挖掘時序數(shù)據(jù)有助于幫助我們理解用戶的動態(tài)興趣特征，進而提高個性化推薦的準確性。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)，實現(xiàn)用戶長短期興趣的挖掘，從而建立一個兼顧用戶短期興趣和穩(wěn)定長期興趣的混合

2、動態(tài)推薦系統(tǒng)，來進一步提升推薦準確性。本文通過對這些關(guān)鍵領(lǐng)域的深入研究，提出主要創(chuàng)新點及研究成果如下：
　?、僬撐尼槍ν扑]系統(tǒng)中出現(xiàn)的動態(tài)性問題進行了研究探討，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)切分為多個用戶行為周期，訓(xùn)練學習神經(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谘h(huán)神經(jīng)網(wǎng)絡(luò)的推薦系統(tǒng)模型作進一步改進，提出在行為周期數(shù)據(jù)中引入歷史元素單元，用于存儲歷史行為

3、周期信息，以完善循環(huán)神經(jīng)網(wǎng)絡(luò)模型對于歷史信息的追溯能力。同時，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)練的過擬合問題。
　?、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)混合動態(tài)推薦系統(tǒng)框模型（HybridDynamic Recommendation Model Based on Multiple Neural Networks，簡稱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，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)境下的長期興趣因素，以形成用戶長短周期興趣在動態(tài)推薦系統(tǒng)中的動態(tài)平衡。同時，論文選擇貝葉斯個性化排名（BPR）作為最優(yōu)推薦項目列表排名的目標函數(shù)，以實現(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態(tài)推薦模型算法：TimeSVD++、基于HMM的推薦方法