基于神經網絡的推薦系統模型

為用戶提供建議的平臺。協同過濾算法是推薦系統中使用的主要算法之一。這種算法簡單、高效;然而，數據的稀疏性和方法的可擴展性限制了這些算法的性能，并且很難進一步提高推薦結果的質量。因此，提出了一種將協同過濾推薦算法與深度學習技術相結合的模型，其中包括兩部分。首先，該模型采用基于二次多項式回歸模型的特征表示方法，通過改進傳統的矩陣因子分解算法，更準確地獲得潛在特征。這些潛在特征被認為是深層神經網絡模型的輸入數據。該模型的第二部分，用于預測評價分數。最后，通過與其他三個公共數據集的推薦算法進行比較，驗證了我們的模型可以有效地提高推薦性能。

隨著人工智能技術的發展，越來越多的智能產品正在被應用。日常生活，為各種各樣的人提供方便。個性化推薦系統的智能推薦功能可以有效地為用戶提供服務。從海量的互聯網數據中獲取有價值的

推薦算法是推薦系統中最重要的部分，直接決定推薦結果的質量和性能。的系統。常用的算法可以分為兩大類:基于內容的[1]方法和協同過濾[2]-[4]方法?；趦热莸姆椒ㄍㄟ^對額外信息(如文檔內容、用戶配置文件和項目屬性)的分析來構建用戶和項目的肖像（描述），從而提出建議。在大多數情況下，用來構建肖像的信息很難獲得甚至是偽造的;因此,它的性能而且應用范圍受到很大的限制。協同過濾算法是推薦系統中應用最廣泛的算法;它們是不同的從基于內容的方法中，他們不需要關于用戶或項目的信息，他們只基于用戶和諸如點擊、瀏覽和評級等項目的交互信息做出準確的推薦。雖然該方法簡單有效，隨著互聯網的快速發展，數據的稀疏性限制了算法的性能;因此，研究人員已經開始尋找其他方法來提高推薦性能。

近年來，深度神經網絡(DNNs)在計算機視覺[5]、語音識別[6]、自然語言處理[7]等各個領域取得了巨大的成功。然而，對這些技術的推薦系統研究很少。一些研究人員

最近提出的基于深度學習的推薦模型，但大多數模型都使用了附加的特性，比如文本內容和音頻信息，以提高它們的性能。鑒于上述信息可能難以獲得大多數推薦系統，本文提出了一種基于DNNs的推薦模型，該模型不需要除了用戶和項目之間的交互之外的任何額外信息。我們模型的主要框架如圖1所示。首先，我們使用用戶項目評級矩陣來獲取用戶和項目的特性，我們將在第3節中討論。然后，我們將這些特征作為神經網絡的輸入。在輸出層中，我們將獲得一些概率值，這些值表示用戶可能給出的分數的概率。最后，以概率最高的分數作為預測結果。通過對三種公共數據集的常用和最先進的算法進行比較，證明該模型能夠有效地提高推薦精度。

本文的其余部分組織如下:在第2節中，我們介紹了基于DNNs的CF方法和一些推薦算法。我們將在第3節詳細描述我們的模型。第4節包含一些實驗評估和討論。在第5節中我們提供了一個簡短的結論。

Breese等[8]將CF算法分為兩類:基于內存的方法和基于模型的方法?；趦却娴腃F使用用戶[9]或項目[10]之間的相似性來提出建議。由于該方法有效且易于實現，因此得到了廣泛的應用，但隨著推薦系統規模的增大，相似度的計算也變得越來越困難;此外，高數據稀疏性也限制了該方法的性能。

為了解決上述問題，提出了許多基于模型的推薦算法，如潛在語義模型[11]、貝葉斯模型[12]、基于回歸的模型[13]、聚類模型[14]、矩陣因子分解模型[15]。在各種CF技術中，矩陣分解是最常用的方法。該方法將用戶和項映射到具有相同維度的向量，該維度表示用戶或項的潛在特性。該方法的代表性工作包括非參數概率主成分分析(NPCA)[16]、奇異值分解(SVD)[17]、概率矩陣分解(PMF)[18]。然而，通過矩陣分解方法學習的潛在特征往往不夠有效，特別是當評價矩陣非常稀疏的時候。

另一方面，深度學習技術最近在計算機視覺和自然語言處理領域取得了巨大的成功。這些技術在學習特征表現方面表現出極大的潛力;因此,研究人員已經開始將深度學習方法應用于推薦領域。Salakhutdinov等[19]使用受限的玻爾茲曼機代替傳統的矩陣分解來執行CF，而Georgiev和Nakov[20]通過合并兩者之間的關聯來擴展工作。用戶和項目之間。還有其他一些基于深度學習的研究方法，但他們主要關注[21]和[22]等音樂推薦。這些研究分別使用傳統的卷積神經網絡和深度信任網絡來學習音樂的內容特征。除了音樂推薦，Wang等[23]提出了采用深度學習模型獲取內容特征的層次貝葉斯模型，并采用傳統的CF模型來處理評級信息。正如我們所看到的，這些基于深度學習技術的方法或多或少地通過學習諸如文本內容之類的內容特征來提出建議。以及音樂的光譜。當我們無法獲得物品的內容時，這些方法是不適用的。因此，他等[24]提出了一種基于深度學習的新的推薦框架。在他們的方法中，用戶和項目通過其ID的一熱編碼表示;顯然，該方法只在模型的訓練階段使用ID信息，這使得大量的先驗信息無法使用。因此，特征學習的有效性難以保證。