• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種基于受限波爾茲曼機(jī)的推薦算法

    2020-11-30 08:32王衛(wèi)兵張立超徐倩
    關(guān)鍵詞:深度學(xué)習(xí)

    王衛(wèi)兵 張立超 徐倩

    摘 要:在數(shù)據(jù)量過(guò)于龐大的情況下,RBM模型所輸出的推薦結(jié)果會(huì)比較寬泛。此外,目前眾多的協(xié)同過(guò)濾算法無(wú)法對(duì)巨大的數(shù)據(jù)集進(jìn)行更好的處理。所以,嘗試通過(guò)深度學(xué)習(xí)來(lái)對(duì)個(gè)性化推薦進(jìn)行加強(qiáng),指出把受限波爾茲曼機(jī)與隱含因子模型相結(jié)合的混合推薦方法。首先用RBM算法生成候選集,并對(duì)候選集的稀疏矩陣進(jìn)行評(píng)分預(yù)測(cè),然后使用LFM對(duì)候選結(jié)果進(jìn)行排序,進(jìn)而選擇最優(yōu)方案進(jìn)行推薦。使用大型公開(kāi)數(shù)據(jù)集對(duì)本文算法進(jìn)行反復(fù)驗(yàn)證,通過(guò)測(cè)試可以看出,相比較于傳統(tǒng)的推薦模型,本文所提闡述的方式能夠有效提高評(píng)分預(yù)測(cè)的精準(zhǔn)度。

    關(guān)鍵詞:推薦算法;深度學(xué)習(xí);RBM模型;LFM模型

    DOI:10.15938/j.jhust.2020.05.009

    中圖分類號(hào): TP316.2

    文獻(xiàn)標(biāo)志碼: A

    文章編號(hào): 1007-2683(2020)05-0062-06

    Abstract:In the case where the amount of data is too large, the recommended results output by the RBM model will be broader. Besides, many collaborative filtering algorithms currently do not handle large data sets better. So, we try to use the deep learning technology to strengthen the personalized recommendation model. We propose a hybrid recommendation model combining the bound Boltzmann model and the hidden factor model. First, we use the RBM algorithm to generate candidate sets, and score the sparse matrix of the candidate set. Then we use the LFM model to sort the candidate results and select the optimal solution for recommendation. The hybrid model is validated using used large public datasets. It can be seen from the verification that compared with the traditional recommendation model, the proposed method can improve the accuracy of the score prediction.

    Keywords:recommendation algorithm; deep learning; restricted boltzmann machine; latent factor model

    0 引 言

    對(duì)于推薦系統(tǒng),盡管前期已有很多人就此提出了多種算法和應(yīng)用實(shí)現(xiàn)方案,不過(guò)依舊有許多問(wèn)題尚未得到解決,譬如冷啟動(dòng)問(wèn)題、數(shù)據(jù)稀疏問(wèn)題等就是比較典型的問(wèn)題,而且是普遍存在的問(wèn)題。針對(duì)上述問(wèn)題,已有不少研究人員都提出了在建模中導(dǎo)入包括內(nèi)容信息[1-2]、標(biāo)簽信息[3-4]、社會(huì)信息[5]以及用戶反饋信息[6]等附加信息??紤]到有大量在線服務(wù)都能夠給用戶提供多元選擇,推薦所發(fā)揮的作用日益關(guān)鍵[7]。相對(duì)于個(gè)人來(lái)說(shuō),推薦系統(tǒng)的設(shè)計(jì)與應(yīng)用有益于人們對(duì)信息的高效運(yùn)用。目前運(yùn)用的推薦算法主要包括基于內(nèi)容推薦、協(xié)同過(guò)濾以及混合推薦三大類[8-9]。

    協(xié)同過(guò)濾根據(jù)用戶瀏覽或消費(fèi)的歷史信息,面向用戶進(jìn)行產(chǎn)品推薦。算法簡(jiǎn)單、結(jié)果較為準(zhǔn)確且有效,所以成為目前應(yīng)用最多的算法[10]。其主要有基于模型的推薦算法和基于記憶的推薦算法兩種類型[11]。就后者而言,是通過(guò)項(xiàng)目評(píng)分矩陣而對(duì)物品與用戶兩者間的相似程度進(jìn)行計(jì)算,進(jìn)而通過(guò)所求得的相似度來(lái)推薦給使用者。其優(yōu)勢(shì)為極高的通用性、極強(qiáng)的操作性和較為簡(jiǎn)捷的算法。其主要缺陷在于極易被冷啟動(dòng)問(wèn)題所限制。而對(duì)于前者來(lái)講,此算法嘗試對(duì)用戶以往尚未見(jiàn)過(guò)物品所產(chǎn)生的興趣度進(jìn)行預(yù)測(cè),所針對(duì)的對(duì)象為某一用戶,通過(guò)機(jī)器學(xué)習(xí)算法來(lái)對(duì)物品向量進(jìn)行訓(xùn)練。當(dāng)模型被構(gòu)建之后,對(duì)用戶就新物品的評(píng)價(jià)進(jìn)行一定的預(yù)測(cè),從而形成相關(guān)推薦的實(shí)現(xiàn),使得用戶項(xiàng)目評(píng)分矩陣得到了更為深入的充填。然而,算法較為繁雜且不易操作。

    深度學(xué)習(xí)、語(yǔ)音辨識(shí)、機(jī)器翻譯等技術(shù)在當(dāng)前的推薦應(yīng)用中也多有采用。它能夠組合低層水平的多種特征,得到較高層次水平和更強(qiáng)抽象性的表示,因此具備強(qiáng)大的數(shù)據(jù)自動(dòng)處理并提取特征等突出優(yōu)點(diǎn)。該技術(shù)建立的模型主要包括深度玻爾茲曼機(jī)、深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、棧式降噪自動(dòng)編碼器等[12-13]。同時(shí)研究人員還主要基于輔助信息、評(píng)分提出了多種問(wèn)題解決方案。其中基于評(píng)分的解決方案,也就是以評(píng)分為基礎(chǔ)建模開(kāi)展深度學(xué)習(xí)并進(jìn)行產(chǎn)品推薦[14-15],上述方式主要憑借深度學(xué)習(xí),構(gòu)建評(píng)分矩陣,完成項(xiàng)目或用戶行為學(xué)習(xí),實(shí)現(xiàn)產(chǎn)品推薦,結(jié)果證明相比于過(guò)去常用的矩陣分解等線性模型,這一方法已有明顯改善。其中,基于輔助信息的模型主要從標(biāo)簽、內(nèi)容以及圖像中學(xué)習(xí)壓縮等視角切入,提出結(jié)合運(yùn)用傳統(tǒng)矩陣分解法來(lái)實(shí)現(xiàn)產(chǎn)品的推薦[16-18]。而在深度模型之內(nèi)導(dǎo)入輔助信息能夠顯著增強(qiáng)推薦的各項(xiàng)相關(guān)性能。

    Salakhutdinov等[19]首次提出將深度學(xué)習(xí)算法引入到協(xié)同過(guò)濾算法當(dāng)中,同時(shí)闡釋了首個(gè)雙層受限玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)模型。在這一模型中,將用戶給出的評(píng)分作為可見(jiàn)層,將用戶信息作為隱藏層,還構(gòu)建應(yīng)用概率模型預(yù)測(cè)評(píng)分。不過(guò)本模型僅僅以評(píng)分為研究對(duì)象,無(wú)法有效達(dá)成推薦目的也就是得到top-N結(jié)果。Truyen等[20]研究得到了以協(xié)同過(guò)濾為基礎(chǔ)的序號(hào)玻爾茲曼機(jī),著重分析評(píng)分序列參數(shù),同時(shí)給出了數(shù)個(gè)不同玻爾茲曼機(jī)整合并用于以項(xiàng)目和用戶為基礎(chǔ)的課題中。何潔月等[21]主要擴(kuò)展了RBM模型,研究給出了以實(shí)值狀態(tài)為基礎(chǔ)的玻爾茲曼機(jī),本模型主要從下述三個(gè)角度完成了RBM的完善和改進(jìn),其一是將評(píng)分直接用于可見(jiàn)單元狀態(tài),而無(wú)需將其轉(zhuǎn)化為向量0~1(K維),其二是將未評(píng)分?jǐn)?shù)據(jù)用于訓(xùn)練數(shù)據(jù)集合,其三是將在應(yīng)用模型中導(dǎo)入好友信任關(guān)系,有效解決稀疏性問(wèn)題。Wang等[22]主要運(yùn)用深度信念網(wǎng),建立統(tǒng)一框架提取作品特征并完成對(duì)音樂(lè)作品的推薦。Oord等[23]主要運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)方法來(lái)實(shí)現(xiàn)音樂(lè)作品的主動(dòng)推送。不過(guò)上述方法中省去了預(yù)處理數(shù)據(jù)的步驟,在神經(jīng)網(wǎng)絡(luò)之內(nèi)直接錄入評(píng)分矩陣,數(shù)據(jù)稀疏問(wèn)題依然存在著。

    針對(duì)上述問(wèn)題,本文提出了基于RBM與隱含因子模型(latent factor model,LFM)的混合推薦模型(RBM-LFM),有效解決所需處理數(shù)據(jù)規(guī)模很大時(shí),RBM模型推送信息結(jié)果太過(guò)廣泛的實(shí)際問(wèn)題,同時(shí),改善協(xié)同過(guò)濾算法不能處理大數(shù)據(jù)集以及稀疏矩陣的問(wèn)題。實(shí)驗(yàn)中使用RBM模型來(lái)訓(xùn)練評(píng)分矩陣,生成候選集,另外對(duì)候選集中稀疏評(píng)分矩陣進(jìn)行評(píng)分預(yù)測(cè),訓(xùn)練結(jié)束后,將候選集結(jié)果輸入LFM模型中,通過(guò)LFM模型計(jì)算出最優(yōu)的推薦結(jié)果。

    1 基于RBM和LFM的混合推薦模型框架設(shè)計(jì)

    基于RBM和LFM的混合推薦模型主要由以下5個(gè)不同模塊所組成:其一,數(shù)據(jù)預(yù)處理模塊;其二,RBM模型訓(xùn)練調(diào)優(yōu)模塊;其三,候選集數(shù)據(jù)填充模塊;其四,LFM排序模塊;其五,輸出推薦結(jié)果模塊。算法架構(gòu)如圖1所示。

    本模型中可見(jiàn)、隱藏兩層內(nèi)全部單元都改成向量{0,1}。因此,預(yù)處理信息時(shí),只需預(yù)處理待錄入信息,也用向量{0,1}來(lái)表示電影評(píng)分矩陣。

    將處理后的數(shù)據(jù)輸入到RBM模型中,對(duì)RBM模型進(jìn)行訓(xùn)練調(diào)優(yōu)并生成候選集。首先給定RBM所需參數(shù),即隱藏單元數(shù)目、最大訓(xùn)練次數(shù)以及學(xué)習(xí)率。隨后,選取特定參數(shù)同時(shí)將其他參數(shù)固定下來(lái)并重復(fù)多次展開(kāi)訓(xùn)練,如此反復(fù)實(shí)驗(yàn)多次之后,即可得到參數(shù)取值的最佳值組合。用此結(jié)果對(duì)RBM模型進(jìn)行訓(xùn)練,隨后將錄入信息視為候選集。且填充候選集中所缺少的數(shù)據(jù),輸入到下一模塊中。

    將候選集數(shù)據(jù)輸入到LFM模型,通過(guò)優(yōu)化指定的參數(shù),建立最優(yōu)模型。將用戶對(duì)每個(gè)電影的興趣度值求出,進(jìn)而推薦給用戶。

    圖1 RBM-LFM模型框架圖

    Fig.1 the RBM-LFM model frame

    2 基于RBM的推薦模型

    玻爾茲曼機(jī)(Boltzmann machine, BM)屬于生成式隨機(jī)神經(jīng)網(wǎng)絡(luò)的一種,由學(xué)者Hinton和Sejnowski所提出,其通過(guò)某些隱層單元以及可見(jiàn)單元所組成,兩者均為二元變量,狀態(tài)取值均用向量0-1表示,其中,0代表的是抑制狀態(tài);1代表的是激活狀態(tài)。其可以對(duì)繁雜的數(shù)據(jù)規(guī)則進(jìn)行學(xué)習(xí)。但是,玻爾茲曼機(jī)的訓(xùn)練過(guò)程非常耗時(shí),并且有時(shí)候會(huì)難以表示數(shù)據(jù)所服從的分布。受此影響,Sejnowski等人則闡述了一類受限玻爾茲曼機(jī),它以玻爾茲曼機(jī)為基礎(chǔ),將同層變量間的連接全部清除,使得所存在的弊端得以解決,有力地促使了學(xué)習(xí)效率的有效提升,并逐步應(yīng)用到了用戶評(píng)分預(yù)測(cè)、推薦系統(tǒng)等領(lǐng)域。圖2為RBM的結(jié)構(gòu)圖,涵蓋權(quán)重w、隱層h、可見(jiàn)層v以及對(duì)應(yīng)的偏置向量a、b。偏置單元用來(lái)反應(yīng)固有的受歡迎程度,它的值總為1。很明顯,同層節(jié)點(diǎn)間互不相連,不同層節(jié)點(diǎn)全部相連。

    本文對(duì)基于項(xiàng)目的RBM推薦模型進(jìn)行了一定的闡述(見(jiàn)圖3)。假設(shè)我們有m個(gè)電影,n個(gè)用戶和從1到K的整數(shù)評(píng)分值。本文將每個(gè)電影作為一個(gè)RBM訓(xùn)練模型,用戶評(píng)分?jǐn)?shù)據(jù)作為可視層輸入。從圖中可以看出:通過(guò)K長(zhǎng)度的softmax單元來(lái)代表各個(gè)可見(jiàn)層神經(jīng)單元,其表示某用戶對(duì)某電影的評(píng)分,借助missing單元來(lái)代表未評(píng)分記錄,此類missing單元不連接任一隱藏層神經(jīng)單元。那么,各個(gè)RBM模型可見(jiàn)層神經(jīng)單元總數(shù)由missing單元以及可見(jiàn)層softmax單元所構(gòu)成。所以,針對(duì)每個(gè)電影的評(píng)分集合,如果被r(r<=n)個(gè)用戶評(píng)分,便能夠通過(guò)K×r的二值矩陣v來(lái)代表,vki=1則表示用戶為此電影評(píng)分為k,而該項(xiàng)目i對(duì)應(yīng)的softmax單元的其他部分則為0,即vk'i=0, k'≠k。所有的電影通過(guò)不一樣的RBM模型來(lái)表達(dá)。

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文采用通用電影評(píng)分?jǐn)?shù)據(jù)集MovieLens 1M和MovieLens 20M來(lái)開(kāi)展實(shí)驗(yàn)。這兩個(gè)數(shù)據(jù)集的基本信息如表1所示。大體上涵蓋的數(shù)據(jù)信息為3類:電影信息、用戶信息、以及評(píng)分信息。1~5間的整數(shù)為評(píng)分值。在實(shí)驗(yàn)時(shí)運(yùn)用將75%的數(shù)據(jù)集視作訓(xùn)練樣本,其他的則為測(cè)試樣本。樣本用隨機(jī)方法進(jìn)行選擇。

    4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

    將RMSE視為預(yù)測(cè)評(píng)分指標(biāo)中最為關(guān)鍵的一項(xiàng)。如果差值越低,則表明預(yù)測(cè)質(zhì)量更優(yōu)。假定Rij 代表的是使用者所評(píng)分的項(xiàng)目,R^ij代表的是所預(yù)估的評(píng)分,T集合了數(shù)據(jù)測(cè)試的評(píng)分,數(shù)據(jù)測(cè)試的總數(shù)由|T|代表。則均方根誤差RMSE為:

    4.3 實(shí)驗(yàn)結(jié)果分析

    為更好地對(duì)此算法的有效性進(jìn)行檢驗(yàn),把此文所應(yīng)用的算法和基于項(xiàng)目(Item-based)的協(xié)同過(guò)濾、基于用戶User-based)的協(xié)同過(guò)濾算法、基于內(nèi)容的推薦算法(Content-based)以及奇異值矩陣分解(SDV)在共同數(shù)據(jù)集MovieLens 1M和MovieLens 20M下進(jìn)行對(duì)比驗(yàn)證。本次實(shí)驗(yàn)的訓(xùn)練測(cè)試集為MovieLense中的評(píng)分集合,實(shí)驗(yàn)過(guò)程中,會(huì)對(duì)樣本進(jìn)行多次微調(diào),對(duì)參數(shù)進(jìn)行反復(fù)更新,將重構(gòu)誤差縮小到一定范圍內(nèi),迭代次數(shù)最少10次,最多70次,根據(jù)圖4則能夠發(fā)現(xiàn):如果所設(shè)置的參數(shù)相同,本文算法是推薦效果最為優(yōu)異的算法。

    當(dāng)推薦列表個(gè)數(shù)K值為50、100、150、200、250、300、350時(shí),各個(gè)算法的召回率情況如圖5所示,通過(guò)實(shí)驗(yàn)結(jié)果則可以看出:如果具有相同的推薦長(zhǎng)度,本文具有最為優(yōu)異的算法。

    5 結(jié) 論

    本文給出了混合使用隱因子模型、RBM的混合模型,所得結(jié)果證明,與推薦實(shí)現(xiàn)的傳統(tǒng)方法對(duì)比,本研究提出的算法所得結(jié)果更加準(zhǔn)確。假使數(shù)據(jù)量過(guò)多,傳統(tǒng)協(xié)同過(guò)濾算法便無(wú)法更好地進(jìn)行計(jì)算,借助于RBM模型所輸出的推薦結(jié)果相對(duì)廣泛。本文將兩者結(jié)合,針對(duì)RBM得出的大量結(jié)果集進(jìn)行填充,并且使用LFM模型對(duì)候選集再一次進(jìn)行排序,將最優(yōu)的top-N結(jié)果選出,并予以推薦。通過(guò)實(shí)驗(yàn)結(jié)果便能夠發(fā)現(xiàn):將深度模型導(dǎo)入用于推薦系統(tǒng)是一個(gè)較有發(fā)展?jié)摿Φ难芯糠较颉1敬窝芯窟^(guò)程中耗費(fèi)了大量時(shí)間對(duì)數(shù)據(jù)進(jìn)行預(yù)處理和對(duì)模型進(jìn)行訓(xùn)練,效果仍有改進(jìn)空間,后期可用其他深度學(xué)習(xí)模型繼續(xù)研究。

    參 考 文 獻(xiàn):

    [1] WANG Hao, LI Wujun. Relational Collaborative Topic Regression for Recommender Systems [J]. IEEE Transactions on Knowledge and Data Engineering, 2015,275):1343.

    [2] ZHENG Xiaolin, DING Weifeng, LIN Zhen, et al. Topic Tensor Factorization for Recommender System[J]. Information Sciences, 2016,372:276.

    [3] WANG Hao,SHI Xingjian,YEUNG D Y.Relational Stacked Denoising Auto-encoder for Tag Recommendation[C]// Proceedings of the 29th AAAI Conference on Artificial Intelligence, 2015:3052.

    [4] MA Huifang, JIA Meihuizi, ZHANG Di, et al. Combining Tag Correlation and User Social Relation for Mic; Roblog Recommendation [J] . Information Sciences, 2017,385:325.

    [5] PARK C, KIM D, OH J, et al.Improving Top-K Recommendation with Truster and Trustee Relationship in User Trust Network [J]. Information Sciences, 2016,374:100.

    [6] PAN Weike, XIA Shanchuan, LIU Zhuode, et al. Mixed Factorization for Collaborative Recommendation with Heterogeneous Explicit Feedbacks[J] .Information Sciences,2016,332: 84.

    [7] ZHANG Wancai, SUN Hailong, LIU Xudong, et al. Temporal Qos-aware Web Service Recommendation Via Non-negative Tensor Factorization[C]// Proceedings of the 23rd International Conference on World Wide Web, 2014:585.

    [8] BOBADILLA J,ORTEGA F,HERNANDO A,et al.Recommender Systerms Survey[J].Knowledge Based Systems, 2013,46:109.

    [9] 黃震華,張佳雯,田春岐,等.基于排序?qū)W習(xí)的推薦算法研究綜述[J]. 軟件學(xué)報(bào),2016,273):691.

    HUANG Zhenhua, ZHANG Jiawen, TIAN Chunqi, et al. Survey on Learning-to-Rank Based Recommendation Algorithms[J]. Journal of Software, 2016,27(3):691.

    [10]冷亞軍,陸青,梁昌勇.協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 模式識(shí)別與人工智能,2014,278):720.

    LENG Yajun, LU Qing, LIANG Changyong. Survey of Recommendation Based on Collaborative Filtering[J]. Pattern Recognition and Artificial Intelligence, 2014,27(8):720.

    [11]丁少衡,姬東鴻,王路路.基于用戶屬性和評(píng)分的協(xié)同過(guò)濾推薦算法[J]. 計(jì)算機(jī)與工程設(shè)計(jì),20152):487.

    DING Shaoheng, JI Donghong, WANG Lulu. Collaborative Filtering Recommendation Algorithm Based on User Attributes and Scores[J]. ?? Computer Engineering and Design, 2015(2):487.

    [12]ZHANG Shuai, YAO Ling, et al. Deep Learning Based Recommender System: A Survey and New Perspectives[J] ACM Computing Surveys,2018,1(1):1267.

    [13]黃立威,劉艷博..李德毅.基于深度學(xué)習(xí)的推薦系統(tǒng)[J].計(jì)算機(jī)學(xué)報(bào),2018,41(7):1619.

    HUANG Liwei, LIU Yanbo, LI Deyi. Surery on Deep Learning Based Recommender Systems[J]. Chinese Journal of Computers, 2018,41(7):1619.

    [14]張敏,丁弼原,馬為之,等. 基于深度學(xué)習(xí)加強(qiáng)的混合推薦方法[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2017(57):1014.

    ZHANG Min, DING Biyuan, MA Weizhi, et al. Hybrid Recommendation Approach Enhanced by Deep Learning[J]. Journal of Tsinghua UniversityScience and Technology), 2017(57):1014.

    [15]WU Yao, DU BOIS C, ZHENG A X, et al. Collaborative Denoising Auto-encoders for Top-N Recommender Systems[C]//Proceedings of the 9th ACM International Conference on Web Search and Data Mining, 2016:153.

    [16]彭宏偉,靳遠(yuǎn)遠(yuǎn),呂曉強(qiáng),等.一種基于矩陣分解的上下文感知POI推薦算法[J]. 計(jì)算機(jī)學(xué)報(bào),2018,41(34):1324.

    PENG Hongwei, JIN Yuanyuan, L Xiaoqiang, et al. Context-Aware POI Recommendation Based on Matrix Factorization[J]. Chinese Journal of Computers, 2018,41(34):1324.

    [17]HE Ruining, MCAULEY J. VBPR:Visual Bayesian Personalized Ranking from Implicit Feedback[C]//Proceedings of the 30th AAAI Conference on Artificial Intelligence,2016:144.

    [18]LEI Chenyi, LIU Dong, LI Weiping, et al. Comparative Deep Learning of Hybrid Representations for Image Recommendations[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition,2016:2545.

    [19]SALAKHUTDINOV R, MNIH A, HINTON G. Restricted Boltzmann Machines for Collaborative Filtering[C]// Proceedings of the 24th International Conference on Machine Learning,2007:791.

    [20]TRUYEN T T, PHUNG D Q, VENKATESH S. Ordinal Boltzmann Machines for Collaborative Filtering[C]// Proceedings of the 25th Conference on Uncertainty in Artificial Intelligence, 2009: 548.

    [21]HE Jieyue, MA Be.Based-on Real-valued Conditional Restricted Boltzmann Machine and Social Network for Collaborative Filtering. Chinese Journal of Computers, 2016, 39(1): 183.

    [22]WANG Xinxi, WANG Ye. Improving C; Ontent}ased and Hybrid Music Recommendation Using Deep Learning[C]// Proceedings of the 22nd ACM International Conference on Multimedia. 2014: 627.

    [23]OORD A V D, DIELMAN S, SCHRAUWEN B.Deep Content-based Music Recommendation[C]// Proceedings of the 26th International Conference on Neural Information Processing Systems, 2013:2643.

    (編輯:王 萍)

    猜你喜歡
    深度學(xué)習(xí)
    從合坐走向合學(xué):淺議新學(xué)習(xí)模式的構(gòu)建
    面向大數(shù)據(jù)遠(yuǎn)程開(kāi)放實(shí)驗(yàn)平臺(tái)構(gòu)建研究
    基于自動(dòng)智能分類器的圖書館亂架圖書檢測(cè)
    搭建深度學(xué)習(xí)的三級(jí)階梯
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    利用網(wǎng)絡(luò)技術(shù)促進(jìn)學(xué)生深度學(xué)習(xí)的幾大策略
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    午夜老司机福利剧场| 亚洲国产精品久久男人天堂| 亚洲精品一卡2卡三卡4卡5卡| 禁无遮挡网站| 日本色播在线视频| 麻豆成人午夜福利视频| 村上凉子中文字幕在线| 蜜桃久久精品国产亚洲av| 欧美一区二区国产精品久久精品| 亚洲第一区二区三区不卡| 99久久精品一区二区三区| 日韩亚洲欧美综合| 热99在线观看视频| 欧美三级亚洲精品| 非洲黑人性xxxx精品又粗又长| 天堂√8在线中文| 精品人妻1区二区| 欧美不卡视频在线免费观看| av专区在线播放| 又爽又黄a免费视频| 少妇人妻精品综合一区二区 | 色综合婷婷激情| bbb黄色大片| 淫秽高清视频在线观看| 免费电影在线观看免费观看| 日韩欧美国产一区二区入口| 色综合色国产| 久久精品国产亚洲av天美| 在线观看美女被高潮喷水网站| 亚洲第一区二区三区不卡| 麻豆一二三区av精品| 成人亚洲精品av一区二区| 中文字幕熟女人妻在线| 午夜影院日韩av| 99久久九九国产精品国产免费| 尤物成人国产欧美一区二区三区| 99在线视频只有这里精品首页| 老司机福利观看| 在线免费十八禁| 男人狂女人下面高潮的视频| 乱系列少妇在线播放| 国产成人影院久久av| 午夜亚洲福利在线播放| 日韩国内少妇激情av| 精品一区二区三区av网在线观看| 18禁在线播放成人免费| 国产视频一区二区在线看| 亚洲三级黄色毛片| 国产精品美女特级片免费视频播放器| 国产一区二区在线观看日韩| 欧美最黄视频在线播放免费| 99精品久久久久人妻精品| 国产成人福利小说| 精品久久久久久,| av在线蜜桃| 婷婷精品国产亚洲av| 黄色欧美视频在线观看| 如何舔出高潮| 中文字幕精品亚洲无线码一区| 桃红色精品国产亚洲av| a级毛片a级免费在线| 免费av毛片视频| 午夜影院日韩av| .国产精品久久| 成人二区视频| 久久人人爽人人爽人人片va| 欧美人与善性xxx| 干丝袜人妻中文字幕| 一区二区三区四区激情视频 | 91在线精品国自产拍蜜月| 色综合亚洲欧美另类图片| av福利片在线观看| 国产麻豆成人av免费视频| videossex国产| 一级毛片久久久久久久久女| 少妇被粗大猛烈的视频| 色5月婷婷丁香| 欧美成人一区二区免费高清观看| 18禁裸乳无遮挡免费网站照片| а√天堂www在线а√下载| 中亚洲国语对白在线视频| 亚洲国产精品成人综合色| 观看美女的网站| 一夜夜www| 中国美女看黄片| 色精品久久人妻99蜜桃| 一夜夜www| 男女视频在线观看网站免费| 国产真实伦视频高清在线观看 | 国产精品久久久久久久电影| 欧美最黄视频在线播放免费| 久久久久精品国产欧美久久久| 午夜激情福利司机影院| 国产私拍福利视频在线观看| 男女下面进入的视频免费午夜| 欧美日本亚洲视频在线播放| 91久久精品电影网| 久久香蕉精品热| 成年版毛片免费区| 日韩,欧美,国产一区二区三区 | av女优亚洲男人天堂| 国产一区二区在线av高清观看| 国产午夜福利久久久久久| 亚洲中文日韩欧美视频| 亚洲国产日韩欧美精品在线观看| 99热这里只有是精品在线观看| 国产成人福利小说| 色哟哟哟哟哟哟| 国产精品国产高清国产av| 色视频www国产| 一本久久中文字幕| 淫秽高清视频在线观看| 亚洲成人精品中文字幕电影| 成人av一区二区三区在线看| 一进一出抽搐gif免费好疼| 中文亚洲av片在线观看爽| 在线天堂最新版资源| 一进一出抽搐gif免费好疼| 亚洲成人久久性| 日本黄大片高清| 91久久精品电影网| 精品午夜福利在线看| 国产伦在线观看视频一区| 级片在线观看| 无人区码免费观看不卡| av视频在线观看入口| 精品人妻视频免费看| 国产极品精品免费视频能看的| 亚洲国产精品合色在线| 国产精品人妻久久久久久| 免费人成在线观看视频色| 久久人妻av系列| 亚洲avbb在线观看| 亚洲一区高清亚洲精品| 国产精品久久久久久久久免| 日本撒尿小便嘘嘘汇集6| 一边摸一边抽搐一进一小说| 国产高清有码在线观看视频| av在线天堂中文字幕| 国产黄色小视频在线观看| 91久久精品国产一区二区成人| 亚洲av一区综合| 精品乱码久久久久久99久播| 亚洲专区中文字幕在线| 男女啪啪激烈高潮av片| 村上凉子中文字幕在线| 男女下面进入的视频免费午夜| 国产精品av视频在线免费观看| 国产高清激情床上av| 他把我摸到了高潮在线观看| 免费看a级黄色片| 天天一区二区日本电影三级| 亚洲欧美日韩高清在线视频| 在线播放国产精品三级| 黄色丝袜av网址大全| 成年免费大片在线观看| 少妇人妻精品综合一区二区 | 99在线视频只有这里精品首页| 好男人在线观看高清免费视频| 禁无遮挡网站| 亚洲国产色片| 成年女人毛片免费观看观看9| 欧美丝袜亚洲另类 | 国产精品一区www在线观看 | 亚洲人成网站在线播| 亚洲av日韩精品久久久久久密| 亚洲熟妇熟女久久| 人人妻,人人澡人人爽秒播| 黄色一级大片看看| 日韩大尺度精品在线看网址| 免费观看精品视频网站| 欧美中文日本在线观看视频| 国产精品久久视频播放| 午夜精品在线福利| 国产日本99.免费观看| 成年女人毛片免费观看观看9| 午夜激情欧美在线| 国产亚洲欧美98| 男人狂女人下面高潮的视频| 中出人妻视频一区二区| 日韩 亚洲 欧美在线| 久久国内精品自在自线图片| 女人被狂操c到高潮| 99九九线精品视频在线观看视频| 久久精品人妻少妇| 99视频精品全部免费 在线| 成人永久免费在线观看视频| 一本精品99久久精品77| 久久精品国产鲁丝片午夜精品 | 亚洲精品456在线播放app | 国产av在哪里看| 国产精品综合久久久久久久免费| 亚洲不卡免费看| 午夜激情福利司机影院| 亚洲18禁久久av| 丰满的人妻完整版| 亚洲 国产 在线| 波野结衣二区三区在线| 91狼人影院| 国内精品一区二区在线观看| 尾随美女入室| 在线天堂最新版资源| 欧美日韩瑟瑟在线播放| 欧美又色又爽又黄视频| 村上凉子中文字幕在线| 欧美一区二区精品小视频在线| 在线播放无遮挡| 国产精品不卡视频一区二区| 韩国av一区二区三区四区| 欧美高清成人免费视频www| 午夜免费男女啪啪视频观看 | 天堂av国产一区二区熟女人妻| 国产真实乱freesex| 免费人成视频x8x8入口观看| 日本五十路高清| 真人做人爱边吃奶动态| 亚洲美女搞黄在线观看 | 国产成年人精品一区二区| 婷婷亚洲欧美| 老司机深夜福利视频在线观看| 久久精品国产亚洲av涩爱 | 国产精品综合久久久久久久免费| 1000部很黄的大片| 国语自产精品视频在线第100页| 伊人久久精品亚洲午夜| 日韩一区二区视频免费看| 久久久久久久久久久丰满 | 日韩欧美三级三区| 成年女人看的毛片在线观看| 国产成人一区二区在线| 国产精品人妻久久久久久| 亚洲精华国产精华液的使用体验 | 亚洲欧美日韩高清在线视频| 很黄的视频免费| 国产成人aa在线观看| 中文字幕熟女人妻在线| 久久精品国产自在天天线| 欧美最新免费一区二区三区| 欧美+日韩+精品| 国产高清三级在线| 亚洲av电影不卡..在线观看| 亚洲人成网站在线播| 久久久久精品国产欧美久久久| 国产又黄又爽又无遮挡在线| 在线观看舔阴道视频| 伊人久久精品亚洲午夜| 国产免费男女视频| 国产高清视频在线播放一区| 亚洲专区国产一区二区| 久久久久国产精品人妻aⅴ院| 国产免费男女视频| 成人精品一区二区免费| 国产欧美日韩精品一区二区| 老女人水多毛片| 人妻久久中文字幕网| 国产日本99.免费观看| x7x7x7水蜜桃| 91在线精品国自产拍蜜月| 99九九线精品视频在线观看视频| 丰满乱子伦码专区| 女生性感内裤真人,穿戴方法视频| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久久精品吃奶| 精品免费久久久久久久清纯| 淫秽高清视频在线观看| 久久6这里有精品| 欧美性猛交黑人性爽| 99在线人妻在线中文字幕| 亚洲av日韩精品久久久久久密| 他把我摸到了高潮在线观看| 亚洲自拍偷在线| 黄色女人牲交| 狂野欧美激情性xxxx在线观看| 在线观看午夜福利视频| 亚洲av日韩精品久久久久久密| 两个人视频免费观看高清| 精品人妻熟女av久视频| 国产亚洲欧美98| 乱码一卡2卡4卡精品| 观看免费一级毛片| 啦啦啦观看免费观看视频高清| 赤兔流量卡办理| 久久精品国产亚洲av天美| 亚洲国产精品久久男人天堂| 国内久久婷婷六月综合欲色啪| 日韩精品中文字幕看吧| 日本黄色视频三级网站网址| 国产高清视频在线播放一区| 久久精品国产清高在天天线| 精品国产三级普通话版| 免费在线观看影片大全网站| 91狼人影院| 色综合婷婷激情| 日日摸夜夜添夜夜添小说| 伦精品一区二区三区| 特级一级黄色大片| 看片在线看免费视频| 黄色配什么色好看| 国产一区二区三区视频了| 日韩精品青青久久久久久| 3wmmmm亚洲av在线观看| 日韩欧美一区二区三区在线观看| 日本精品一区二区三区蜜桃| 精品久久久久久久久av| 日韩av在线大香蕉| 日本一二三区视频观看| 国产亚洲欧美98| a在线观看视频网站| 国产精品久久久久久av不卡| 69人妻影院| 一区二区三区免费毛片| 国产高清有码在线观看视频| 99热这里只有是精品在线观看| 中文字幕精品亚洲无线码一区| 亚洲一区高清亚洲精品| 欧美中文日本在线观看视频| 成人鲁丝片一二三区免费| 麻豆国产av国片精品| 国产麻豆成人av免费视频| 在线看三级毛片| 欧美中文日本在线观看视频| av黄色大香蕉| 国产乱人伦免费视频| 国产一区二区三区av在线 | 色在线成人网| 99久久精品热视频| 少妇的逼好多水| 婷婷六月久久综合丁香| 麻豆国产97在线/欧美| 深爱激情五月婷婷| 国产男人的电影天堂91| 亚洲精品成人久久久久久| 啦啦啦韩国在线观看视频| 久久久久精品国产欧美久久久| 成人一区二区视频在线观看| 少妇的逼水好多| 午夜视频国产福利| 国内精品一区二区在线观看| av天堂中文字幕网| 亚洲va日本ⅴa欧美va伊人久久| 亚洲专区国产一区二区| 国产精品久久久久久久电影| 欧美+亚洲+日韩+国产| 亚洲欧美日韩无卡精品| 久久这里只有精品中国| 国产国拍精品亚洲av在线观看| 国产不卡一卡二| 国产精品av视频在线免费观看| 国产91精品成人一区二区三区| 此物有八面人人有两片| 久久精品91蜜桃| 欧美最新免费一区二区三区| 99久久九九国产精品国产免费| 最好的美女福利视频网| 精品午夜福利在线看| 观看美女的网站| 欧美xxxx性猛交bbbb| 亚洲精品乱码久久久v下载方式| 国产探花在线观看一区二区| 亚洲精品色激情综合| 欧美激情久久久久久爽电影| eeuss影院久久| 男女啪啪激烈高潮av片| 日本与韩国留学比较| 免费av不卡在线播放| 欧美+亚洲+日韩+国产| 久久久久久久久久黄片| 久久九九热精品免费| 国产伦精品一区二区三区四那| 国产高清不卡午夜福利| 少妇丰满av| 国产精品久久久久久av不卡| 欧美色欧美亚洲另类二区| 午夜精品一区二区三区免费看| 国产免费一级a男人的天堂| 国产精品爽爽va在线观看网站| 久久国内精品自在自线图片| 久久精品国产亚洲av天美| 欧美极品一区二区三区四区| .国产精品久久| 亚洲美女视频黄频| 日本黄色视频三级网站网址| 国产三级中文精品| 精品午夜福利在线看| 一个人观看的视频www高清免费观看| 精品一区二区三区av网在线观看| 日韩中文字幕欧美一区二区| 十八禁网站免费在线| 亚洲精品456在线播放app | 五月玫瑰六月丁香| 超碰av人人做人人爽久久| 国产亚洲欧美98| 啦啦啦观看免费观看视频高清| 亚洲男人的天堂狠狠| 一级黄色大片毛片| 色哟哟哟哟哟哟| 欧美黑人欧美精品刺激| 97热精品久久久久久| 色综合婷婷激情| 亚洲经典国产精华液单| 国产男人的电影天堂91| 日本爱情动作片www.在线观看 | 国产精品福利在线免费观看| 99九九线精品视频在线观看视频| 免费看av在线观看网站| 日韩国内少妇激情av| 国产高清激情床上av| 欧美丝袜亚洲另类 | 成人毛片a级毛片在线播放| 久久久久久久久久黄片| 日韩亚洲欧美综合| 久久久久免费精品人妻一区二区| 美女免费视频网站| 女人十人毛片免费观看3o分钟| 天堂网av新在线| 国产三级中文精品| 日本a在线网址| 国产探花在线观看一区二区| 亚洲电影在线观看av| 国产精品人妻久久久影院| 欧美丝袜亚洲另类 | 韩国av在线不卡| 久久精品91蜜桃| 麻豆国产97在线/欧美| 麻豆精品久久久久久蜜桃| 少妇高潮的动态图| 村上凉子中文字幕在线| 自拍偷自拍亚洲精品老妇| 亚洲内射少妇av| 国模一区二区三区四区视频| 内地一区二区视频在线| 中文资源天堂在线| 国产精品久久久久久亚洲av鲁大| av视频在线观看入口| 亚洲美女搞黄在线观看 | 国产精品久久电影中文字幕| 人妻丰满熟妇av一区二区三区| 色哟哟哟哟哟哟| 嫩草影院新地址| 久久久国产成人精品二区| 看黄色毛片网站| 日韩中文字幕欧美一区二区| 国产 一区精品| 99国产精品一区二区蜜桃av| 国产淫片久久久久久久久| 校园春色视频在线观看| 国产单亲对白刺激| 亚洲国产日韩欧美精品在线观看| 亚洲欧美日韩无卡精品| www.www免费av| 99热这里只有是精品50| 婷婷亚洲欧美| 日韩中字成人| 久久久精品欧美日韩精品| 美女高潮的动态| 日韩欧美在线乱码| 成人av一区二区三区在线看| 亚洲国产欧洲综合997久久,| 两人在一起打扑克的视频| 美女被艹到高潮喷水动态| 婷婷精品国产亚洲av| www日本黄色视频网| 男人和女人高潮做爰伦理| 国产在视频线在精品| 日韩中文字幕欧美一区二区| 久久久久久国产a免费观看| 欧美色欧美亚洲另类二区| av福利片在线观看| 亚洲av日韩精品久久久久久密| 色视频www国产| 国产黄片美女视频| 日本免费一区二区三区高清不卡| 国产高清有码在线观看视频| 99久久精品国产国产毛片| 欧美国产日韩亚洲一区| 日韩欧美国产一区二区入口| 国产男人的电影天堂91| 一级毛片久久久久久久久女| 免费在线观看成人毛片| 搡老熟女国产l中国老女人| 九色成人免费人妻av| 麻豆精品久久久久久蜜桃| 亚洲色图av天堂| 国产高清激情床上av| 最后的刺客免费高清国语| 日韩欧美国产在线观看| 一进一出抽搐gif免费好疼| 久久人人爽人人爽人人片va| 亚洲精品乱码久久久v下载方式| 亚洲成人久久性| 校园人妻丝袜中文字幕| 国产激情偷乱视频一区二区| 91午夜精品亚洲一区二区三区 | 亚洲精品亚洲一区二区| 国产精品精品国产色婷婷| 俺也久久电影网| 亚洲不卡免费看| av天堂中文字幕网| 久久精品影院6| 日韩 亚洲 欧美在线| 一个人看的www免费观看视频| 高清日韩中文字幕在线| 国产日本99.免费观看| 成人美女网站在线观看视频| 国产亚洲精品久久久久久毛片| 亚洲国产欧洲综合997久久,| 国产av一区在线观看免费| 午夜福利高清视频| 久久久精品欧美日韩精品| 亚洲国产精品久久男人天堂| 国产精品乱码一区二三区的特点| 国产 一区精品| 丝袜美腿在线中文| 91麻豆av在线| 麻豆一二三区av精品| 国内揄拍国产精品人妻在线| 亚洲五月天丁香| 十八禁国产超污无遮挡网站| 在线天堂最新版资源| 国产高清视频在线观看网站| 色av中文字幕| 精品福利观看| 亚洲综合色惰| 国产亚洲精品久久久com| 国产精品不卡视频一区二区| 国产精品国产三级国产av玫瑰| 免费在线观看成人毛片| av在线蜜桃| 日韩欧美免费精品| 亚洲欧美激情综合另类| 亚洲成人久久性| 嫩草影院新地址| 99久久精品一区二区三区| 91av网一区二区| 三级毛片av免费| 亚洲av五月六月丁香网| 国产一区二区亚洲精品在线观看| 干丝袜人妻中文字幕| 无人区码免费观看不卡| 两性午夜刺激爽爽歪歪视频在线观看| 国产 一区精品| 国内精品久久久久久久电影| 亚洲专区国产一区二区| 一夜夜www| 看片在线看免费视频| 国产亚洲91精品色在线| 如何舔出高潮| 日本与韩国留学比较| 99在线视频只有这里精品首页| 亚洲电影在线观看av| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲精品av在线| 美女免费视频网站| 露出奶头的视频| 黄色丝袜av网址大全| 一级黄色大片毛片| 国产精品无大码| 99久久无色码亚洲精品果冻| 久久久国产成人精品二区| 国语自产精品视频在线第100页| 亚洲熟妇熟女久久| www.www免费av| 国产伦一二天堂av在线观看| 亚洲欧美日韩无卡精品| 毛片一级片免费看久久久久 | 欧美色视频一区免费| 人人妻人人看人人澡| 男人舔女人下体高潮全视频| 美女 人体艺术 gogo| 欧美精品啪啪一区二区三区| 久久久成人免费电影| 国产高清有码在线观看视频| 欧美成人免费av一区二区三区| 在线观看av片永久免费下载| 制服丝袜大香蕉在线| 干丝袜人妻中文字幕| 国产精品一区二区三区四区免费观看 | 精品久久久久久成人av| 亚洲专区国产一区二区| 99九九线精品视频在线观看视频| 国产精品一区二区免费欧美| 国产精品不卡视频一区二区| 精华霜和精华液先用哪个| or卡值多少钱| 老女人水多毛片| 日本免费一区二区三区高清不卡| 欧美日韩乱码在线| 国产激情偷乱视频一区二区| 村上凉子中文字幕在线| 18禁裸乳无遮挡免费网站照片| av专区在线播放| 亚洲国产高清在线一区二区三| 日韩欧美三级三区| 美女cb高潮喷水在线观看| av黄色大香蕉| 久久久久久九九精品二区国产| 精品免费久久久久久久清纯| 日本免费a在线| 日日夜夜操网爽| 欧美一区二区精品小视频在线| 国产精品日韩av在线免费观看| 午夜老司机福利剧场| 天堂网av新在线| 亚洲最大成人中文| 色吧在线观看| 国产单亲对白刺激| 久久香蕉精品热| 有码 亚洲区| 日韩欧美在线二视频| 97碰自拍视频| 国产精品自产拍在线观看55亚洲| 久久精品国产99精品国产亚洲性色| 日本成人三级电影网站| 精品久久久久久久久av| 亚洲avbb在线观看|