基于文本的可解释性推荐系统研究
发布时间：2022-01-14 00:36
随着互联网时代的到来,人类社会正式进入信息过载的时代,推荐系统已经成为电商网站、社交媒体和新闻门户等在线服务平台的重要组成部分。推荐系统的目的在于有效地挖掘用户兴趣并缓解信息过载的问题。目前主流的推荐系统倾向于从用户和商品的历史交互行为中挖掘出用户的兴趣爱好并形成推荐。虽然基于交互数据的推荐系统取得了不错的推荐性能,但当交互数据比较稀疏时,这类推荐系统往往会面临性能严重下降的问题。此外,仅基于交互数据的推荐系统也无法为自身的推荐结果提供合理的可解释性。近年,为了解决基于交互数据的推荐系统所面临的挑战,基于文本的推荐系统开始流行。用户的评论是用户除在线消费行为以外,另一个体现用户在线消费体验和情感的数据（例如:用户为什么要购买该商品,用户对该商品最满意的属性等）。基于文本的推荐系统尝试通过把用户的评论信息和商品的描述信息等文本内容作为新的数据源,旨在解决用户交互数据的稀疏性问题。同时,基于文本的推荐系统可以利用从评论中挖掘出的语义信息为推荐系统的推荐结果提供语义上的可解释性。本文主要针对当前基于文本的推荐系统所存在的问题,从以下三个方面展开研究:（1）能感知购物场景的用户和商品的动态表示...
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图２．１：?Ｗｂｒｄ＾；ｅｃ模型架构图：ＣＢＯＷ模型（ａｊ和６ｆｅ＾ｐ－ＧＶａｍ模型〔６人??
价值的特征信息的同时过滤噪黄，计算机图像领域的学者提出了注意力机制，用以决??定在学习过程洪需要被关注的重要图像特征，从而更好地表征目标图像。近年来＾午??多自然语有处理模型也尝试利用注．意力机制来计算特征之间的关联得分，并根据特征??的得分选择熏要的特征，旨在学习更好的特怔表辑，从而最终提升模型的性能。常用??的关联得分的计算方式主要有以下三种：??ｓｃｏｒｅ（ｈｉ，ｈ／２?）＝＼?ｈ＾Ｗａｈ２?（２．３）??＾?Ｗｄ２ｆ７（Ｗａｌ［／ｉｌ；／ｌ２］）??式中，／？１和泰＾特征的向＇量表达Ｗ＊代表计集关联的权奠矩阵。??
?基于文本的可解释性推荐系统研究???＾ｉｎｔｅｒａｃｔｉｏｎ?？??Ｐｕ?十—？｜??ｉ??Ｕｓｅｒ?ｉｄ?Ｉｔｅｍ?ｉｄ??图３．３：基于交互数据的特征学习组件架构图??ｑ？?＝?Ｑｘｉ?（３．２３）??式寧，Ｐ?Ｇ?ＩＲＺｘｐ和Ｑ?Ｇ?ＩＲＺｘ９分别：表敢用户和商品的＇潜在特征矩阵和ｇ分剔代＿．??用户和商品的数＿简单起见，本章在两个学习组件中将用户和商品的潜在特征表示??限制为相同的维度。与文本数据不同ｓ交苴数据没有可用于场舉感知的信息（如文本??语义等），因此基于交互数据的特征学习使用逐元素（Ｅｌｅｍｅｎｔ－Ｗｉｓｅ）乘积运算来提取??？替在向量Ｐｕ和ｑ，中未包含的基于交互的潜在特征。??ｅＳ?＝?Ｐ？？ｑ＊．?（３－２４）??与公式３．２０相似，基于交瓦数据的特征学习组件为用户商品对构建场景感知的潜??在特征示．，细节如下所示：??Ｚｉｎｔｅｒａｃｔｉｏｎ?＝?？?Ｐ？?？?＜１＊］?（３．２５）??图３．３描述了基于交互数据的特征学习组件得到基于用户和商品的联合潜在表达??的孝：习■过程ｓ向量ＺｆｅｌｔＥ＿ｔｏａ被送进分解机用于预测用户＿对茼品的评分??３．２．４?融合层??前文描述的两个学习组件分别从两个不同的信息源中对用户和商品对提取了具有??场景感知能力的潜在特征表：私可以合理的估计，两个组件的集成可以实现相互之间??的补充，并在评分预测任务上达到更好的预测精度。．一个简单且常用的解决方案是使??用线性插值的方式合并两种学习组件。??＝?ａｙｕ，ｉ（ｚｒｅｖｉｅｗ）?＋?（１?—?（ｚ?ｉｎｔｅｒａｃｔｉｏｎ）?＋?＆？?＋?ｈ．?（３．２６）??－２９－??
【参考文献】：
期刊论文
[1]基于隐式反馈数据的个性化游戏推荐[J]. 俞东进,陈聪,吴建华,陈耀旺. 电子学报. 2018(11)
[2]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇. 软件学报. 2018(04)
博士论文
[1]实时竞价广告中的建模与决策优化[D]. 任侃.上海交通大学 2019
本文编号：3587445
【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校
【文章页数】：115 页
【学位级别】：博士
【部分图文】：
图２．１：?Ｗｂｒｄ＾；ｅｃ模型架构图：ＣＢＯＷ模型（ａｊ和６ｆｅ＾ｐ－ＧＶａｍ模型〔６人??
价值的特征信息的同时过滤噪黄，计算机图像领域的学者提出了注意力机制，用以决??定在学习过程洪需要被关注的重要图像特征，从而更好地表征目标图像。近年来＾午??多自然语有处理模型也尝试利用注．意力机制来计算特征之间的关联得分，并根据特征??的得分选择熏要的特征，旨在学习更好的特怔表辑，从而最终提升模型的性能。常用??的关联得分的计算方式主要有以下三种：??ｓｃｏｒｅ（ｈｉ，ｈ／２?）＝＼?ｈ＾Ｗａｈ２?（２．３）??＾?Ｗｄ２ｆ７（Ｗａｌ［／ｉｌ；／ｌ２］）??式中，／？１和泰＾特征的向＇量表达Ｗ＊代表计集关联的权奠矩阵。??
?基于文本的可解释性推荐系统研究???＾ｉｎｔｅｒａｃｔｉｏｎ?？??Ｐｕ?十—？｜??ｉ??Ｕｓｅｒ?ｉｄ?Ｉｔｅｍ?ｉｄ??图３．３：基于交互数据的特征学习组件架构图??ｑ？?＝?Ｑｘｉ?（３．２３）??式寧，Ｐ?Ｇ?ＩＲＺｘｐ和Ｑ?Ｇ?ＩＲＺｘ９分别：表敢用户和商品的＇潜在特征矩阵和ｇ分剔代＿．??用户和商品的数＿简单起见，本章在两个学习组件中将用户和商品的潜在特征表示??限制为相同的维度。与文本数据不同ｓ交苴数据没有可用于场舉感知的信息（如文本??语义等），因此基于交互数据的特征学习使用逐元素（Ｅｌｅｍｅｎｔ－Ｗｉｓｅ）乘积运算来提取??？替在向量Ｐｕ和ｑ，中未包含的基于交互的潜在特征。??ｅＳ?＝?Ｐ？？ｑ＊．?（３－２４）??与公式３．２０相似，基于交瓦数据的特征学习组件为用户商品对构建场景感知的潜??在特征示．，细节如下所示：??Ｚｉｎｔｅｒａｃｔｉｏｎ?＝?？?Ｐ？?？?＜１＊］?（３．２５）??图３．３描述了基于交互数据的特征学习组件得到基于用户和商品的联合潜在表达??的孝：习■过程ｓ向量ＺｆｅｌｔＥ＿ｔｏａ被送进分解机用于预测用户＿对茼品的评分??３．２．４?融合层??前文描述的两个学习组件分别从两个不同的信息源中对用户和商品对提取了具有??场景感知能力的潜在特征表：私可以合理的估计，两个组件的集成可以实现相互之间??的补充，并在评分预测任务上达到更好的预测精度。．一个简单且常用的解决方案是使??用线性插值的方式合并两种学习组件。??＝?ａｙｕ，ｉ（ｚｒｅｖｉｅｗ）?＋?（１?—?（ｚ?ｉｎｔｅｒａｃｔｉｏｎ）?＋?＆？?＋?ｈ．?（３．２６）??－２９－??
【参考文献】：
期刊论文
[1]基于隐式反馈数据的个性化游戏推荐[J]. 俞东进,陈聪,吴建华,陈耀旺. 电子学报. 2018(11)
[2]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇. 软件学报. 2018(04)
博士论文
[1]实时竞价广告中的建模与决策优化[D]. 任侃.上海交通大学 2019
本文编号：3587445
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3587445.html