论文部分内容阅读
本文提出了大数据时代下基于深度学习技术的推荐算法,且有机地融合了用户的社交属性,将其融入到序列化推荐模型中。首先本文依据真实数据集Yelp进行预分析,从中发现了用户购买物品的时序性特征,以及社交属性在逻辑空间中对用户决策带来的影响,这也是本文所关注的核心部分。然后本文提出两个深度推荐算法,融合了时序属性和社交属性,用以解决推荐问题。第一个模型是SA-LSTM(Social-Aware Long Short-Term Memory),其使用LSTMs作为序列化特征提取的主要方式,同时使用自编码器提取用户社交圈的特征。此外,本文展示了SA-LSTM模型支持端到端的联合训练方式。为了验证SA-LSTM的性能,在本文在真实数据集Yelp上与其他常见推荐算法进行对比,可以得出以下结论:1)SA-LSTM模型与其他模型相比较,有更高的准确性;2)SA-LSTM融入社交圈影响因素的方式是积极的;3)层次过深的神经网络容易导致过拟合,从而产生准确度下降的情况。第二个模型是SIMS(Social Influence aware and Memory augmented Sequence),其使用sequence-to-sequence模型提取用户序列化购买历史的特征,同时使用自编码器对sequence-to-sequence模型处理后的用户特征进行二次提取,得出用户朋友圈的社交特征。此外使用了带有存储单元的DNC(Differentiable Neural Computer)神经网络,增强了时序特征的提取能力。同样,本算法也使用了Yelp数据集进行验证,可以得出以下的结论:1)SIMS模型相比较相关的模型而言,所得到的推荐结果更加准确;2)使用带有记忆单元的DNC网络有助于提高推荐的准确度。