基于深度强化学习融合社交网络信息的推荐系统.pdfVIP

华东师范大学硕士学位论文 基于深度强化学习融入社交网络信息的推荐系统 摘要 作为最有效的信息过滤系统之一，推荐系统在这信息过载的时代发挥着极大 的作用。大量关于个性化推荐的技术被提出，然而这些技术中依旧存在以下两个 1 2 局限：（）认为推荐过程是静态的，忽略了推荐系统中的动态特性的影响；（） 数据稀疏性的问题依旧存在。为了缓解以上两个问题，本文中分别提出了两个推 荐模型：基于深度强化学习的推荐模型Recommendation System based on Deep Reinforcement Learning andAttention Mechanism DRA （ ）以及融合了推荐模型 DRA 和社交网络信息的推荐模型DRA+。 推荐模型DRA。将用户与推荐系统的交互过程视为顺序决策过程，并将深 度强化学习模型DDPG 作为基础模型。考虑到推荐系统中强化学习的定义，利 用PMF 的方法预训练生成内容向量来构成模型的输入。同时，通过显式地结合 用户向量和内容向量来更合理地表达用户状态。此外，利用用户状态中内容的位 置信息和各位置的内容与动作的相似性设计了注意力机制来进一步挖掘用户的 兴趣变化。最后在三个公开的数据集MovieLens(100k)、MovieLens(1M)和Jester(2) 上进行了充分的实验，证明了推荐模型DRA 确实能够通过深入挖掘用户兴趣变 化来提高推荐性能。 推荐模型DRA+。在推荐模型DRA 的基础上，融入了社交网络信息来缓解 由于数据稀疏带给推荐系统的影响。从社交网络信息中提取得到信息主要有两 种：信任关系和相似关系。为了能够充分利用这两种信息，再分别将其划分为两 部分，即显式和隐式信任关系以及全局和局部相似关系。然后，本文提出了一种 自适应调节权重的方法，该方法能够更好的模拟用户的选择倾向。最后在两个实 FilmTrust CiaoDVD DRA+ 验数据集 和 上进行了充分的实验，推荐模型 展现了最 佳的效果，证明了通过利用社交网络信息能够缓解数据稀疏性为推荐性能带来的 影响。 关键词：推荐系统；深度强化学习；注意力机制；社交网络信息；信任关系； 相似关系 I 华东师范大学硕士学位论文 基于深度强化学习融入社交网络信息的推荐系统 ABSTRACT As one of the most effective information filtering systems, recommendation system plays an important role in the era of information overload. A number of techniques for personalized recommendation have been proposed, however, most techniques still suffer from following two limitation:(1) the recommendation process is considered to be static and the effect of dynamic characteristics in the recommendation system is ignored. (2) the data sparsity issue has not been resolved. In order to mitigate above two problems , two recommendation models are proposed in this paper: Recomme