积分商城

最新搜索： AD18 FHA20N60 三兄弟 ADS805 labview编程 vb
您现在的位置是：首页 > 技术资料 > 基于深度学习的个性化网吧游戏推荐
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习的个性化网吧游戏推荐

更新时间：2020-01-01 21:18:13 大小：2M 上传用户：songhuahua查看TA发布的资源 标签：深度学习 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

与传统推荐模型相比,深度学习可以更好地理解用户需求、项目特征及用户与项目之间的互动性,从而更有效地发现用户和项目之间的匹配关系。将深度神经网络应用于网吧游戏推荐场景,分析用户的个人偏好,根据时间推移兴趣的变化,对用户历史游戏行为记录进行建模训练,为用户提供个性化Top-N游戏推荐。基于深度神经网络设计训练模型,输入层采用对用户历史行为数据处理后的用户偏好向量,隐藏层运用ReLU激活函数的多层网络,输出层则采用逻辑回归的Softmax结构,最终运用带L2规范项的代价函数评估学习到的模型可靠性。在真实数据集下的实验结果表明,随着隐藏层的增加,该方法能明显降低均方根误差,且能提高召回率。


部分文件列表

文件名 大小
基于深度学习的个性化网吧游戏推荐.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
45  
1
2019  
1
年 月  
第
卷
第
期
计
算
机
工
程
Vol． 45  
No． 1  
Computer Engineering  
January 2019  
·
·
: 1000-3428( 2019) 01-0206-04  
: A  
: TP301． 6  
中图分类号  
人工智能及识别技术  
文章编号  
文献标志码  
基于深度学习的个性化网吧游戏推荐  
1
2
1
1
1
3
， ， ， ， ，  
陈耀旺 严 伟 俞东进 徐凯辉 夏 艺 杨 威  
( 1．  
，
杭州电子科技大学 计算机学院 杭州  
310018; 2．  
，
浙江省科技信息研究院 杭州  
310006;  
3．  
，
浙江天正信息科技有限公司 杭州  
310006)  
: ， 、 ，  
要 与传统推荐模型相比 深度学习可以更好地理解用户需求 项目特征及用户与项目之间的互动性 从而更  
摘
。 ， ，  
有效地发现用户和项目之间的匹配关系 将深度神经网络应用于网吧游戏推荐场景 分析用户的个人偏好 根据  
， ，  
时间推移兴趣的变化 对用户历史游戏行为记录进行建模训练 为用户提供个性化  
Top-N  
。
游戏推荐 基于深度神  
，
，
ReLU  
经网络设计训练模型 输入层采用对用户历史行为数据处理后的用户偏好向量 隐藏层运用  
Softmax L2 。  
规范项的代价函数评估学习到的模型可靠性 在真  
激活函数的多层  
，
，
网络 输出层则采用逻辑回归的  
结构 最终运用带  
， ， ，  
实数据集下的实验结果表明 随着隐藏层的增加 该方法能明显降低均方根误差 且能提高召回率  
。
: ; ; ; ;  
关键词 个性化网吧 深度学习 推荐算法 深度神经网络 游戏场景  
: ， ， ， ．  
中文引用格式 陈耀旺 严伟 俞东进 等 基于深度学习的个性化网吧游戏推荐  
［J］．  
，2019，45( 1) : 206-  
计算机工程  
209，216．  
英文引用格式  
: CHEN Yaowang，YAN Wei，YU Dongjin，et al． Personalized internet bar game recommendation based on  
deep learning［J］． Computer Engineering，2019，45( 1) : 206-209，216．  
Personalized Internet Bar Game Recommendation Based on Deep Learning  
1
2
1
1
1
3
CHEN Yaowang ，YAN Wei ，YU Dongjin ，XU Kaihui ，XIA Yi ，YANG Wei  
( 1． School of Computer，Hangzhou Dianzi University，Hangzhou 310018，China;  
2． Zhejiang Institute of Science and Technology Information，Hangzhou 310006，China;  
3． Zhejiang Topcheer Information Technology Co． ，Ltd． ，Hangzhou 310006，China)  
【Abstract】Compared with the traditional recommendation model，deep learning can better understand user needs，project  
characteristics and user-project interaction，so as to more effectively discover the matching relationship between users and  
projects． The deep neural network is applied to the recommended scene of the internet bar game，and the user’s personal  
preference is analyzed． According to the change of interest in the time，the game record of the user history is modeled and  
trained to provide the user with personalized Top-N game recommendation． Based on the deep neural network design  
training model，the input layer uses the user preference vector processed by the user’s historical behavior data，the hidden  
layer uses the multi-layer network of the ReLU activation function，and the output layer uses the Logical regression  
Softmax structure，and finally the L2 specification item is used． The cost function evaluates the reliability of the learned  
model． Experimental results under the real data set show that with the increase of the hidden layer，the method can  
significantly reduce the root mean square error and improve recall rate．  
【Key words】personalized internet bar; deep learning; recommendation algorithm; deep neural network; game scene  
DOI: 10． 19678 /j． issn． 1000-3428． 0049121  
［1-2］  
［3］  
。
、
传统的推荐算法 主要有内容推荐算法 协  
题
0
概述  
、 。  
同过滤推荐算法 上下文推荐算法 内容推荐算  
［4］  
， ，  
随着互联网的发展 信息过载问题日益严重 导  
，
应用于信息过滤与信息检索领域 将用户的个  
法
。
，
人信息特征和内容对象的特征相匹配 结果是用户  
致用户在选择和利用有用信息时面临诸多问题  
但
。
对某个对象感兴趣程度的评价 但内容推荐算法严  
推荐系统根据用户历史行为可以帮助其发现感兴趣  
， ，  
信息 提供个性化推荐 从而有效解决信息过载的问  
，
重依赖推荐对象相关特征数量和类型 分析内容有  
:
基金项目 国家自然科学基金  
( 61472112) ;  
( 2017C01010，2016F50014，2015C01040) 。  
浙江省重点研发项目  
:
作者简介 陈耀旺  
( 1987—) ， ， ， 、 ; ， 、 ; ( ) ， 、  
男 硕士 主研方向为推荐系统 软件体系架构 严 伟 高级工程师 硕士 俞东进 通信作者 教授 博士生  
; ， ; ， ; ， 、  
导师 徐凯辉 硕士研究生 夏 艺 工程师 杨 威 高级工程师 硕士  
。
: 2017-10-30 : 2017-12-29 E-mail: yudj@ hdu． edu． cn  
修回日期  
收稿日期  
207  
45  
1
期
， ， ， :  
陈耀旺 严 伟 俞东进 等 基于深度学习的个性化网吧游戏推荐  
第
卷
第
［5］  
。
，N  
i ，CT  
是当前用户玩游戏 的总次数 表示当  
i
限
协同过滤推荐算法 是推荐系统算法中最基本  
其中  
i
，
也是最经典的一种算法 分为基于用户的协同过滤  
，LT  
i ，  
表示最后一次玩游戏 的时间 把对某  
前时间  
i
［6］  
。
算法与基于物品的协同过滤算法  
协同过滤推荐  
款游戏的偏好表示为用户对该款游戏玩的次数与最  
、 ， ，  
算法简单 有效 可以克服内容推荐算法的局限 但  
。
后一次玩的时间距当前时间的商  
。
存在数据稀疏时的推荐效果问题和冷启动问题  
上
，
玩的次数多的游戏会赋予大的偏好权重 同时  
［7］  
下文推荐算法 是将用户的上下文信息应用到推荐  
，
考虑时间上下文信息 若最后一次玩的时间距当前  
， 、  
系统中 包括用户访问系统时的心理活动 时间季  
， 。  
时间较远 则可以反映用户兴趣的变化 在得到用  
、
节 地点位置等  
。
，
户对游戏的偏好后 偏好标准化处理公式表示为  
:
，
深度学习是机器学习研究热门的领域之一 将  
P － u  
i
P =  
i
( 2)  
，
深度学习应用于推荐系统 受到工业界和学术界的  
σ
［8-9］  
。
( Deep Neural Network，DNN)  
深度神经网络  
关注  
，u  
其中 为当前用户对游戏偏好  
P
，
的均值 σ 为方  
i
［10］  
，
是深度学习的一个学习模型 拥有较高的准确度  
。
。
，
根据用户对各款游戏的偏好 构建深度神经网  
差
［11］  
文献 将深度神经网络模型应用于说话人识别  
，
u ， 1 。  
如图 所示  
4
络输入的特征向量  
。 ［12］  
证明其有效性 文献 提出预训练深度神经网络  
，
隐马尔可夫模型 将其应用于大规模词汇语音识别  
，
。 ［13］ DNN  
提高识别精度 文献 将  
，
应用于图像分类  
。
降低了分类的错误率  
本文通过对用户在网吧的历史游戏行为记录进  
Top-N  
，
。
游戏 给出多种  
行建模 为用户推荐个性化  
ReLU  
，
激活函数的隐藏层结构 对不同的模型结  
基于  
构分别进行学习验证 减少模型运算量 使用二次  
L2  
，
。
，
代价函数对预测结果进行误差评估 并通过  
规范  
化解决过拟合问题 选择逻辑回归模型以及经过  
Softmax  
。
，
处理的预测结果 表示出用户对于每款游戏  
1
图
用户特征向量  
。
的偏好预测  
，
在数据集中取一个时间分隔点 在此时间之前  
1
问题描述  
，
的数据构建输入特征向量 时间之后的数据利用用  
。
户玩游戏的次数构建输出特征向量  
本文通过将深度神经网络应用于游戏推荐场景  
Top-N  
，
中 为用户提供个性化的  
，
游戏推荐 目的是为  
3
深度神经网络模型构建  
，
用户筛选出更符合用户自身兴趣的游戏 并提升用户  
本文对游戏推荐场景设计的基于深度神经网  
， 。  
的游戏点击率 提升用户体验 通过用户历史的游戏  
2 ， 、  
络的推荐模型如图 所示 由一个输入层 若干个  
，
行为记录进行建模 分析用户的个人偏好以及随着时  
ReLU  
由
激活函数组成的隐藏层和一个偏好向量  
， 。  
间推移兴趣的变化 预测用户当前的偏好情况 由于  
。 ，  
预测输出层组成 其中 输入层的输入为用户偏好  
，
游戏集合总量较小并且比较稳定 因此在处理输入向  
。
向量  
。
量时直接选用所有游戏进行特征的提取  
2
特征提取  
，
在神经网络中 输入数据是从用户历史行为记录  
，
中统计的偏好向量 输入层神经元表示用户对应游戏  
。 ，  
的偏好权重 数据集的游戏进行统计排列 构成通用  
，
的特征向量 游戏总数即为输入层的神经元个数  
。
，
游戏存在生命周期 对用户使用时间有较大影  
， ，  
响 曾经喜欢的游戏 在一段时间后偏好可能会逐渐  
。
减小 从用户的历史行为记录可以得到用户使用每  
，
款游戏的次数及时间 从而构建用户时序行为  
。
用
i P  
户对于游戏 的偏好 可以表示为  
i
:
N
i
P =  
i
( 1)  
CT － LT  
i
2
图
深度神经网络推荐模型  
i

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号