基于改进BP神经网络的个性化推荐算法研究新整理

2021-04-25 13:23:15本页面

基于改进BP神经网络的个性化推荐算法研究新整理


【正文】

计算机应用与软件 ComputerApplicationsandSoftware 基于改进BP神经网络的个性化推荐算法研究 罗频捷1温荷2万里3 1(成都东软学院实验管理中心四川成都611844) 2(成都东软学院计算机科学与技术系四川成都611844) 3(南京工业大学土木工程与防灾减灾重点实验江苏南京211816) 摘要个性化推荐根据用户的喜好为用户推荐个性化的产品、信息或服务等,可以帮助用户在大数据时代有效的解决信息过载的问题。对个性化推荐算法进行了研究,具体研究了如何建立混合推荐模型,采用BP神经网络训练提高算法中用户相似度计算的准确性。在真实数据集上的实验

基于BP神经网络的个性化推荐算法可以有效减小用户相识度计算偏差,提高用户个性化推荐的推荐质量。 关键词个性化推荐算法BP神经网络混合推荐算法 中图分类号TP391文献标识码ADOI: StudyofPersonalizedRecommendationAlgorithmBasedonBPNeuralNetwork LuoPinjie1WenHe2WANLi3 1(ExperimentalManagementCenter,ChengduNeusoftUniversity,Chengdu611844,Sichuan,China) 2(DepartmentofComputerScienceandTechnology。

ChengduNeusoftUniversity,Chengdu611844,Sichuan,China) 3(KeyLaboratoryofCivilEngineeringandDisasterPrevention&Mitigation,NanjingTechUniversity,Nanjing211816,Jiangsu,China) AbstractIntheeraofbigdata,personalizedrecommendationhelpsusersalleviateinformationoverloadproblembyrecommendinguserswiththepersonalizedproducts。

informationorservices.Thepaperinvestigatespersonalizedrecommendation.Indetails,ahybridrecommendationmodelisproposedandBPneuralnetworkisusedtoimprovetheaccuracyofusersimilarity.ExperimentalresultsshowthatpersonalizedrecommendationalgorithmbasedonBPNeuralNetworkcaneffectivelyreducetheusersimilaritycalculationdeviationandimprovethequalityofpersonalizedrecommendation。

KeywordsPersonalizedrecommendationalgorithmBPneuralnetworkThehybridrecommendationalgorithm 罗频捷:基于改进BP神经网络的个性化推荐算法研究 5 0引言 随着移动互联网技术的快速发展与成熟,现代电子商务呈现出爆炸式增长,以淘宝双十一购物节为例,2012年销售为191亿,2013年销售增长到350亿,2014年销售总额高达673亿[1]。如此繁荣的电子商务产业在给用户带来更多选择机会的同时,也在增加用户选择负担,普通用户很难从大量商品信息中找出适合的商品,或者从另一个侧面看,在电子商务平台中还有海量商品信息无法被普通用户获知[2]。

因此个性化的推荐系统在未来电子商务发展中将发挥越来越重要的作用。 通常推荐系统被用于两个方面目的,一是激发用户做某些事情;二是解决用户信息过载。个性化的推荐系统主要通过信息检索和信息过滤,从庞大集合里选择出最能满足用户需求的物品。常见的推荐算法有协同过滤推荐算法、基于内容的推荐算法和基于知识的推荐算法等,它们在不同的应用领域表现出的效果各有不同。协调过滤推荐算法主要思想是利用已有用户群过去的行为预测当前用户的选择,即通过目标用户群体的特定信息产生推荐结果[3];基于内容的推荐算法则依赖被推荐产品的特征进行推荐[4];而基于知识的推荐算法则是根据已知的知识模型推演出推荐结果,这些推荐算法都各有利弊。

一个良好的推荐算法是可以将用户模型、产品特征和知识模型高效地输出产品推荐序列表。因此,通过将多个推荐算法组合起来构成一个推荐单元的混合推荐系统在个性化推荐中更能发挥作用。 1个性化推荐系统模型 1.1个性化混合推荐系统模型 本文将个性化推荐系统模型建立在混合推荐系统基础上,将几种推荐算法整合到一个实现算法中,通过对算法进行内部调整,让多个推荐算法都发挥作用[56],如图1所示。 图1 个性化混合推荐系统模型 个性化混合推荐系统模型将多种推荐算法进行内部调整后整合在一个推荐单元,通过对知识源进行预处理和组合多个知识源,利用不同类型的输入,扩大了整个推荐系统的特征空间,实现推荐系统的高效性[78]。

1.2个性化推荐系统算法 个性化推荐算法中用户a对产品i个性化推荐结果rec(a,i)采用Linkert量值表示,影响rec(a,i)值的因素有四个方面,分别是用户之间相似度Pa,u,用户评分个数ni,用户之间评分重叠个数na,u,以及用户评分向量vu,i,rec(a,i)由协同推荐算法改进而来,表示为: (1) 式1中,hwa,u为混合权重因子,hwa,u是由权重因子sga,u和hma,u组成,这两个权重因子取自于基于内容的推荐算法,均倾向于具有更多的共同评分的产品。hwa,u、sga,u和hma,u分别表示为式2式5: (2) (3) (4) (5) 由用户i的原始评分值的个数决定。

反映了算法基于内容的预测可信度。swi计算公式为: (6) 式6的max常量一般设置为2。 式1中的用户评分向量vu,i值表示为式7: (7) 式7中若用户u已给产品i评过分数,则将评分结果su,i作为用户评分向量vu,i;若用户u还未曾给产品i评过分数,则采用基于内容的推荐算法计算结果cu,i作为用户评分向量vu,i。 2BP神经网络模型改进 在式1中,除了用户相似度Pa,u外,其余各个参数均可由实际统计数据得出。在推荐系统中,Pa,u常常可以使用修正余弦相似性度量方法求出[9]。但是修正余弦相似性度量方法成立的前提条件是默认所有用户对产品的评判标准是一致的,这在实际应用中明显不合理。

所以采用修正余弦相似性度量方法的计算结果与真实的Pa,u有时偏差较大,继而影响最终推荐结果rec(a,i)。因此,本文提出采用改进BP神经网络算法进行用户相似度Pa,u测算,从而提高Pa,u的准确性和可靠性。 2.1BP神经网络模型 BP神经网络因其具备完善的理论体系和学习算法,是目前人工神经网路中使用最为广泛的神经网络模型[10]。BP神经网络是一种前馈型神经网络,模仿人脑神经元对外部信号的反馈机理,建立多层次的感知模型,并采用信号的正向传播和误差的反向调节相结合的方式进行自主学习。BP神经网络中神经元节点使用S型传递函数,能够输出从0到1之间的连续信息,从而可以实现从输入层到输出层之间的任意非线性映射。

BP神经网络是一种三层神经网络,分别是网络输入层、网络隐含层和网络输出层,每层是由多个并行运算的神经元构成。BP神经网络中同一层次的神经元之间不进行连接,而是将相邻两层的全部神经元相互连接,神经元之间连接权值决定了BP神经网络的信息处理能力。BP神经网络拓扑结构如图2所所以。 图2 BP神经网络拓扑图 BP神经网络算法主要分为信号正向传播和误差反向传播两个阶段。首先,输入信息从输入层输入,经过隐含层后再到输出层输出,在整个传输过程中神经元的连接权值固定不变;一般而言这样的输出结果与期望输出结果之间存在误差,此时,将误差由输出层开始逐层向前传输,在传输过程中根据误差情况动态调整各个神经元之间连接权值。

直到得到实际输出与期望输出之间的最小均方差值时为止[11]。 2.2改进BP神经网络模型 由于BP神经网络使用神经元之间的连接权值来存储信息,所以BP神经网络具有较高的容错性和鲁棒性。并且,BP神经网络可以通过反馈学习不断加强神经元之间的连接强度,进而使得BP神经网络对信息具有较高的灵敏度。BP神经网络虽然优点众多,但它在实际应用中仍存在不足。BP神经网络非线性优化存在局部极小点问题,从而对网络性能带来消极影响[12]。同时,BP神经网络初始值的设置对算法收敛速度影响较大,BP神经网络修正权系数w(k)通常不考虑k时刻之前的梯度方向,只从k时刻误差的梯度下降方向进行权值调整,导致BP神经网

致使算法收敛速度缓慢[1314]。 为解决BP神经网络上述问题,引入动量因子改进BP神经网络算法。BP神经网络增加动量因子后,可以使得权值的调整朝着误差曲面底部平方的方向变化,并将最后一次权值变化的影响通过动量因子进行传递。引入动量因子的权值调节表达式为: (8) 式8中k为训练次数,α为动量因子,η为学习速率,E(k)为关于权值向量ω(k)的梯度。当BP神经网络权值进入误差曲面底部的平坦区域时,E(k)将变得很小,即有: (9) 由式9可知,引入动量因子后,可以防止ω(k)=0情况的出现,这将使得BP神经网络可从误差曲面局部极小值中跳出。 2.3改进BP神经网络模型训练 在个性化推荐过程中。

具有相同特征的用户一般拥有相似的行为习惯,用户之间的行为习惯越相似,用户相似度越高,将a用户与其他用户之间相似度记为Pa,u。在计算Pa,u时,通常进行归一化处理,把Pa,u取值范围标准化到[0,1]集合上。本文采用改进BP神经网络进行用户相似度Pa,u测算。 为了便于BP神经网络模型的初始权值设定,本文采用3层神经网络,1层为输入层,1层为隐含层,1层为输出层。输入层主要输入商品属性信息;隐含层则为用户特征值;输出层为用户相似度Pa,u。 改进BP神经网络的用户相似度模型算法的训练步骤如下: (1)设定输入层和输出层节点的数量,并初始化各层权值和阀值。 (2)将商品主要属性信息输入到BP网络中。

(3)按照BP模型算法进行网络学习。 (4)计算权值梯度和训练误差。 (5)根据式8修正各层权值与阀值。 (6)判断样本集的均方误差是否满足要求,满足则结束学习,否则继续学习,直至满足为止。 (7)使用以上训练好的网络对Pa,u进行测算。 3实验与分析 为了验证基于BP神经网络的个性化算法的准确性和有效性,本文在真实数据集上开展了实验仿真,并进行了分析。 3.1实验数据集 本文实验数据采用了美国明尼苏达大学GroupLeans项目提供开源的Movieleans数据集进行仿真实验[15]。Movieleans数据集创建于1997年,是一个基于WEB的推荐算法研究数据集。目前,

会计电算化相关推荐  
三九文库 www.999doc.com
备案图标苏ICP备2020069977号