基于深度神经网络的个性化推荐系统研究基于深度神经网络的个性化推荐系统研究
深度神经网络由于结构类似于生物神经网络,因此拥有高效、精准抽取信息深层隐含特征的能力和能够学习多
层的抽象特征表示,且能够对跨域、多源、异质的内容信息进行学习等优势。提出了一种基于多用户-项目结合
深度神经网络抽取特征、自学习等优势实现信息个性化推荐的模型,该模型通过对输入多源异构数据特征进行
深度神经网络学习、抽取,再融合协同过滤中的广泛个性化产生候选集,然后通过二次模型学习产生排序集,
实现精准、实时、个性化推荐。通过真实数据集对模型评估实验,实验结果表明,该模型能够很好地学习、抽
取用户隐特征,并且能够一定程度上解决传统推荐系统稀疏性、新物品等问题,同时实现了更加精准、实时、
个性化的推荐。
0 引言引言
近几年,深度学习在人工智能、机器学习中取得了飞跃式的突破,特别是在语音识别和图像识别等领域
[1-3]
。其中,深度神
经网络由于结构类似于生物神经网络,因此拥有高效、精准抽取信息深层隐含特征的能力和能够学习多层的抽象特征表示,且
能够对跨域、多源、异质的内容信息进行学习等优势,可以一定程度上处理推荐系统稀疏性、新物品、可扩张性等问题,这为
推荐系统解决固有问题带来了新的机遇。
本文提出了基于深度神经网络结合多用户-项目、协同过滤的推荐模型(Multi-View-Collaborative Filtering integrating Deep
Neural Network,MV-CFiDNN)
[4-6]
,基于深度神经网络理论,提取用户、项目信息的深层隐含特征并自学习、优化提取模
型,最后结合多用户-项目、协同过滤(Collaborative Filtering)提供广泛的个性化推荐。
1 深度神经网络推荐模型深度神经网络推荐模型
基于深度学习的推荐系统通过将用户和项目的各类原始数据信息提供给输入层,在隐含层通过神经网络学习模型进行用
户、项目的隐特征学习及抽取,最后通过学习隐表示实现用户、项目推荐
[7-8]
。基于深度神经网络框架的两次自学习并结合协
同过滤的CFiDNN框架如图1所示。CFiDNN框架两大核心为:候选生成网络融合协同过滤与排名网络结合协同过滤。
其中,候选集产生以用户在浏览历史记录中的提取特征作为输入信息,然后基于多源数据库检索到与用户相关的一个数据
集,这一数据集就是候选集。这部分候选集通过协同过滤(CF)实现广泛个性化。再通过用户、项目的多类特征源学习计算相似
性,实现最小排名集,最后基于协同过滤实现推荐。
1.1 候选集生成模块候选集生成模块
对于候选集生成,首先,将用户浏览及搜索项目等历史记录信息映射为向量,然后对其求平均值获取定长表示;并且,输
入用户地理信息特征值优化个性化推荐效果,二值性和连续性特征值通过归一化得到[0,1]范围。其次,把所有输入特征值拼
接到同一个向量,并且把拼接后的向量输予激活函数处理。最后,通过神经网络训练输给Softmax进行分类,通过训练的特征
与源项目进行相似度计算,获取相似度最高的N个项目作为候选模块中的候选集,图2为候选生成结构图。