摘要
随着互联网通信技术的高速发展，众多的通信终端设备能够快速、便捷地接入互联网，并在其中传递信息。通信终端设备地接入丰富了互联网中的信息内容，但各种信息繁杂交织在一起不便于人们进行查找。由于储存的信息日益增多，产生了信息过载的问题。 在信息过载的背景下，推荐系统应运而生，成为了解决这一问题的有效途径。推荐系统通过分析用户的行为，为每一位用户构建其独特的用户画像，预测用户的兴趣偏好并进行相关内容的推荐。推荐系统以分析用户的历史行为信息为基础，虽然互联网中存在大量的信息数据，但其能够被处理利用的数据普遍匮乏。因此，推荐系统在许多情况下面临着数据稀疏的问题，导致为用户产生的推荐质量较低。 在众多解决数据稀疏的策略中，以组合多种算法混合推荐和融合其他数据源进行推荐的方式应用广泛。同时，推荐算法也考量了时间维度、空间维度等信息，从多个维度探究用户的兴趣偏好，为每个用户生成个性化的推荐列表。机器学习技术的深入探索，使得深度学习方法成为了近几年研究的热点。通过深度学习方法，融合多方面属性信息，挖掘用户特征矩阵与物品特征矩阵之间的关联，提高推荐的质量。深度学习模型使用反向传播算法进行自我迭代优化，减小误差。但深度神经网络模型的表现很大程度上依赖数据量，足够的数据量能够更好地训练模型，这促使了对迁移学习领域的研究。 迁移学习技术将某个域中学习到的特征或知识应用到其他相关但不同的域内，提升该域内的模型表现。迁移的域分为源域与目标域，通过将源域内大量的评分数据特征进行学习与挖掘，迁移应用到目标域内，初始化目标域的神经网络模型，在一定程度上缓解了目标域数据稀疏问题。对此，本文进行了如下研究： 1)提出基于迁移神经网络矩阵分解的服务质量预测模型。通过对神经网络迁移的研究，将不同领域内的数据进行跨域迁移，利用源域中的信息辅助目标域神经网络的预测。在服务节点具有大量吞吐量信息，而响应时间信息缺乏的情况下，以服务节点吞吐量的信息为源域，辅助目标域中的响应时间预测，为用户推荐响应延迟低的服务节点。通过在实验中选取不同稀疏度的数据，探究了模型预测的准确性，缓解由于数据稀疏导致的误差。 2)提出基于用户-项目交叉注意力机制的迁移推荐模型。在对神经网络的学习研究基础上，结合注意力机制充分挖掘源域中稠密数据的评分特征，将其迁移应用到目标域神经网络模型中，缓解新类型物品评分稀疏的弱冷启动问题。利用注意力机制在全局范围内寻找重点信息，对于关键性的特征赋予较高权重。实验中选取了不同的数据比例，并通过与基准方法的对比，模型有着更好的表现。 3)研究了基于Django框架的推荐系统应用。在已有推荐模型的基础上，通过使用开源的Web框架Django搭建能够运行的推荐系统。学习MVT设计思想，将推荐模型融入到工程中，研究并解决了在模型部署中出现的问题。
NETL