推荐系统基础、方法与技术 课件 7.5 推荐模型设计.pptxVIP

7.5基于用户-用户关系图的推荐模型设计主讲人：

PART1推荐模型设计推荐模型设计内容基于联合概率分解的多元关联融合基于深度神经网络的特征映射和开发者推荐

PART1推荐模型设计基于联合概率分解的多元关联融合发展背景：如何有效将开发者协作关系、开发者-任务交互关系、任务关联关系进行融合。开发者推荐矩阵的数据稀疏问题、推荐算法的精度不够高等问题。实现过程：联合概率分解计算面向开发者的多元关系联合后验概率分布函数

PART1推荐模型设计基于联合概率分解的多元关联融合后验概率分布公式：在这里，Q，U，V分别表示协作关系特征向量矩阵、开发者特征向量矩阵、任务特征向量矩阵，d表示特征向量的维度。模型参数U，V和Q是通过最大化公式计算得出：

PART1推荐模型设计基于联合概率分解的多元关联融合计算出损失函数的偏导数：为计算向量Ui，Vj，Qt，本节利用基于动量的随机梯度下降法(MSGD)更新模型参数，通过动量加速随机梯度训练的收敛速率。模型参数更新实现过程如下：

PART1推荐模型设计基于联合概率分解的多元关联融合训练结束：当参数Ui，Uj和Qt达到收敛状态或者迭代次数达到最大设定值时，可以得到最终训练后的开发者、任务、协作关系的特征向量Ui，Uj和Qt。

PART1推荐模型设计基于深度神经网络的特征映射和开发者推荐发展背景：对于开发者预测，现有方法大多是通过直接计算的值来预测