摘要
随着互联网的发展和普及，各个应用产生的信息量正快速膨胀，在海量数据中，用户可以享受到丰富的信息，但庞大的数据规模使其难以选择自己需要的内容，会存在着“信息过载”的问题。推荐系统可以极大缓解此类问题，它不仅可以满足用户对高质量信息的需求，而且可以为企业增加对用户的吸引力并巩固自身在行业内的地位。 近年来，深度学习的出现解决了传统推荐系统的特征学习和高阶特征交互问题，充分挖掘不同特征域之间的高阶特征交互，从而提升了模型的预测结果精度，因此被广泛应用在推荐系统中。此后，随着计算机技术和多维嵌入向量技术的进步，基于多维嵌入向量的神经网络模型在预测结果精确方面得到了大幅提升，成为目前推荐算法的研究热点。其中，根据用户和物品的出现频率对嵌入向量大小进行动态调整的ESPAN（Embedding Size Adjustment Policy Network）模型更是受到了广泛关注。 在基于深度学习的推荐系统中，嵌入向量是一种广泛使用的重要技术，但是现有基于多维嵌入向量的模型在构建嵌入向量时，并没有对用户的偏好给予应有的关注，这会导致预测结果不够精确。本文对ESPAN模型进行了深入研究，提出并实现了基于对象感知的神经网络模型ONN。主要研究内容如下： （1）在构建嵌入向量时，目前很多方法更关注于嵌入向量的维度搜索而忽略了用户偏好的重要性。针对上述缺陷，本文对用户偏好给予了关注，将其与多维嵌入向量融合并提出一种基于对象感知的神经网络ONN（Object-aware Neural Network）。实验结果表明ONN模型较基线模型在精确度和损失值上有了较大的改善，证明了ONN模型的有效性和先进性。 （2）ONN模型在用户和物品嵌入向量的特征交叉问题上还有待改进，因此通过引入特征交叉技术对该问题进行优化，并提出了基于增强特征交叉的ONN_FC（Object-aware Neural Network with Feature Cross）模型。该模型将多层感知机与特征交叉层分为上下两层放置，特征交叉层接收输入并执行特征交叉操作，然后将输出与用户和物品的嵌入向量连接，最后输入到多层感知机并得到预测结果。 （3）本文在提出的推荐算法基础上设计并开发了一个基于B/S架构的个性化电影推荐系统。从需求分析到系统设计规划了用户展示层、后端逻辑层、数据存储层和推荐层的功能。在推荐流程中使用OPN_FC作为排序模块的模型。最后，使用Django、Vue、Redis、Nginx、MySQL和PyTorch实现了该系统。
NETL