請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82570
標題: | 運用生成式對抗網路緩解推薦系統冷啟動使用者問題 Mitigating New User Cold-Start Problem in Recommendation Systems with Generative Adversarial Networks |
作者: | Chih-Yun Chen 陳芝妘 |
指導教授: | 陳建錦(Chien Chin Chen) |
關鍵字: | 推薦系統,冷啟動使用者問題,對抗式生成網路, Recommendation Systems,New User Cold-Start Problem,Generative Adversarial Networks, |
出版年 : | 2021 |
學位: | 碩士 |
摘要: | 隨著網際網路快速的發展,促進網路服務的多元開發,也讓現代人的生活越來越依賴網路服務平台,其中,對網路服務平台供應商而言,是否能獲得新進使用者的青睞是影響收益的關鍵因素。由於傳統的推薦系統演算法是基於使用者行為來進行產品推薦,在面對新進使用者(new users)時會因為只有他們少許的行為資料,推薦演算法難以從中分析出使用者興趣,而此問題被稱為「新進使用者冷啟動問題」(new user cold-start problem),這樣的情境使得推薦系統難以了解新進使用者的興趣,更降低了推薦的效果。過去的研究試圖使用額外的資訊來解決新進使用者冷啟動問題,例如:使用者的性別、職業或社群網路資訊等等,但是資訊隱私與個人資訊保護使得先前的研究無法應用。 在本篇論文中,我們提出了一個端到端(end-to-end)基於生成式對抗網路(GAN)的推薦演算法來緩解使用者冷啟動的問題,此方法不需使用到額外的資訊,此方法由兩個神經網路組成:生成器與判別器,利用豐富的使用者資訊來訓練生成器,而生成器會學習模擬新進使用者變成豐富使用者的評分分佈,同時,判別器會負責分辨生成器模擬出的資訊與真實資訊,最後訓練完成的生成器就可以替冷啟動使用者進行推薦。此外,我們設計了「返老還童」機制來將豐富使用者還原到他剛加入平台時的冷啟動狀態,根據在三個不同領域資料集的實驗結果,我們提出的方法都遠遠優於其他冷啟動推薦演算法。 |
URI: | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82570 |
DOI: | 10.6342/NTU202101317 |
全文授權: | 同意授權(限校園內公開) |
電子全文公開日期: | 2023-08-01 |
顯示於系所單位: | 資訊管理學系 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
U0001-0707202109463000.pdf 授權僅限NTU校內IP使用(校園外請利用VPN校外連線服務) | 2.2 MB | Adobe PDF | 檢視/開啟 |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。