結合深度學習與矩陣分解之智慧推薦系統(3/3)

近年來，推薦系統現在已廣泛地使用在許多領域，其中線上影音推薦為一重要的應用，因為在這資料爆炸的年代，想要手動搜尋到自己想要的資訊不是一件容易的事，透過推薦系統對影片的分析、過濾與推薦，可以使用者更快速的得到自己所需要的，甚或是發掘出新的喜好。本計畫改良了目前的矩陣分解與深度學習用的方法，在訓練時考量了時間因子變化量，提出了多個演算法與訓練模型，去解決了使用者興趣變化對準確度的影響，能更精準地預測與推薦使用者相關的影片。(1)在矩陣分解為基礎的部分，進一步考慮了使用者評分項目的時間的學習方法。第一種方法中，我們先將user-item評分矩陣依據時間拆解成多個矩陣，再將每個分解後的矩陣輸入至遞歸神經網路LSTM中，預測出新的特徵矩陣，內積重建用戶對未評分物品的評分。(2)我們使用logistic regression與lasso regression迴歸模型描述使用者對某個類別的喜好變化，透過regression迴歸分析我們可以放大或縮小一些電影的分數，再將regression迴歸分析處理過的資料倒入Matrix Factorization矩陣分解中，學習新的Matrix，得以將預測分數高的電影推薦給使用者。(3)在深度學習為基礎的部分，本計畫提出了一種以RNN為基礎的新訓練模型。我們先使用特徵探勘(pattern mining)的演算法，萃取出有意義的代表循序特徵(sequential pattern)，用以訓練兩個RNN模型；一個為使用者watching data的LSTM，另一個為frequent pattern的LSTM，最後再將兩個預測結果結合，強化學習的結果以增加預測的準確度。