Combing Probabilistic Matrix Factorization withDeep Learning Networks in Recommender System

論文翻譯標題: 結合機率矩陣解法以及深度學習模型應用在推薦系統
  • 邱 怡瑄

學生論文: Doctoral Thesis

摘要

近年來隨著巨量資料的蓬勃發展以及資訊科技快速的進步,?多企業網路 或電子商務店家,會根據消費者購買的紀錄、偏好來推薦消費者適合的產品,因此如何在眾多的項目中找到自己需要的商品就顯得格外重要,推薦系統就是在這個環境中逐漸發展成型。推薦系統(Personalized Recommender Systems)主要分成兩大類,第一類是基於內容的推薦系統(Content-based Recommendation),為系統基於用戶的評價、個人資料去學習特定用戶的偏好, 並且推薦相似度高的商品給其用戶,當用戶的瀏覽紀錄越多其推薦效果越佳。第二類是協同過濾推薦系(Collaborative Filtering Recommendation),為系統利用用戶彼此之間或是項目與項目之間的關聯性來推薦商品,其概念為若用戶喜歡的東西類似,則會推薦特定用戶類似的東西,此方法的優點為不需要用戶的評分紀錄即可運作而 第三類方法為混合式推薦系統,此方法主要利用矩陣分解結合模型文字提取模型本論文主要採用第三類混合式推薦系統,能更加準確的預測用戶對商品的評分。 因此本論文提出階層式深度學習網路結合機率矩陣分解法的模型, 首先我們先擷取出用戶評論的資料集,輸入到我們建構的深度學習網路架 構,經由Attention機制給予每一字詞給予權重分配,關注每篇評論的字詞權重,最後與矩陣分解法的潛在隱藏因子向量做交互訓練。RMSE為論文的實驗指標,效果明顯優於第四章的各大方法,本論文將取五個隨機種子產生器的平均值當作實驗效果指標,可得知我們的效能比Probabilistic Matrix Factorization好8%,比Convolutional Matrix Factorization for Document Context-Aware Recommendation好5%,比Dual-Regularized Matrix Factorization with Deep Neural Networks Item好4%,因此更能精準預測使用者對商品的評分。
獎項日期2019
原文English
監督員Ren-Shiou Liu (Supervisor)

引用此

'