得益于智能手机的快速普及,人们可以更加方便获取互联网资源。大量的候选商品加剧了人们挑选合适物品的难度。个性化推荐系统的出现缓解了这样的现象,一方面它为用户提供了满足条件的商品,另一方也为商家带来了匹配的用户。通常,推荐系统会根据用户的评分数据来推断用户的具体喜好,或者利用一些用户历史反馈信息来为他们推荐合适的物品。利用上述出现的两种类型的反馈数据,本文基于协同过滤思想并选择去噪自动编码器作为基础的网络框架,为解决两大推荐任务分别设计了新神经推荐模型:1、评分预测:本文选择显式数据,通过新推荐模型得到预测的评分数据,并利用这些数据反映不同用户的喜好程度;2、Top-k推荐:文本使用隐式数据,通过新网络构建推荐框架,并将获得的相应物品列表推荐给不同的用户。本文的主要研究工作如下:1.针对评分预测任务:为了克服传统推荐方法对于交互矩阵采取线性处理方式的不足,基于去噪自动编码器并在显式数据下,本文提出了一个新神经网络模型。利用神经模型天生的结构优势,使模型具有捕捉用户和物品数据背后非线性关系的特殊能力。同时,为了更好地处理大量稀疏数据,本文提出了一个稀疏前向传播策略,大大减小了网络中所需传递的权重数量。直接建模的神经网络通常不会考虑邻域中某些重要的用户或物品,为此本文提出了一个注意力反向策略,通过引入注意力单元来帮助模型重视某些局部范围内的特殊用户和物品。除此之外,本文还设计了新损失函数并且利用编程层面的标记方法来避免计算中大量的循环运算,从而优化模型的训练过程。2.针对Top-k推荐任务:同样,面对传统推荐方法无法以非线性的方式捕捉交互矩阵中用户物品信息,本文依旧基于去噪自动编码器提出了针对隐式数据的新神经网络模型。为了克服稀疏隐式数据所含信息不明确的缺点,本文提出了一个稀疏数据增强策略,通过添加原始数据集中能够反映用户自然偏好的真实信息,使模型拥有更具特征的输入。相对隐式数据下神经网络模型常见的单维注意力策略,本文提出了一个多维度注意力策略,从多个角度捕捉用户对不同交互物品所赋予的关注程度。为了避免模型在隐式反馈下过拟合,本文基于物品流行度设计了一个新损失函数,并使得模型能够在训练过程中关注缺失数据产生的影响。3.不同公开数据集下的对比实验:为了形象直观地展示两个模型的性能表现,本文分别在两组不同的公开数据集上设计了大量对比实验。针对评分预测任务,本文利用平方根误差来评价不同方法的预测准确率。针对Top-k推荐,本文利用命中率和归一化折损累计增益来验证不同方法产生的推荐物品列表的准确性和相关性。最终,通过多种不同目的的实验,本文分析并总结了所提模型中各个策略模块的影响作用。