結合深度學習與矩陣分解之智慧推薦系統(3/3)

專案詳細資料

Description

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。
狀態已完成
有效的開始/結束日期1/08/2131/07/22

聯合國永續發展目標

聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標:

  • SDG 4 - 品質教育
  • SDG 11 - 永續發展的城市與社群
  • SDG 17 - 為永續目標構建夥伴關係

Keywords

  • 推薦系統
  • 矩陣分解
  • 深度學習
  • 遞迴神經網路

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。