• <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
    国产一卡二卡三卡精品| 久久久久久久久免费视频了| 成人亚洲精品一区在线观看| 人人妻,人人澡人人爽秒播| 欧美乱色亚洲激情| 亚洲天堂国产精品一区在线| 可以免费在线观看a视频的电影网站| 国产高清videossex| 亚洲专区字幕在线| 神马国产精品三级电影在线观看 | 国产主播在线观看一区二区| 少妇裸体淫交视频免费看高清 | bbb黄色大片| 国产aⅴ精品一区二区三区波| 黑人操中国人逼视频| 成人国产综合亚洲| 日本熟妇午夜| www.熟女人妻精品国产| 亚洲成国产人片在线观看| 午夜福利在线观看吧| 99在线人妻在线中文字幕| 亚洲欧美日韩无卡精品| 亚洲成人久久性| 成年版毛片免费区| av天堂在线播放| 国产欧美日韩精品亚洲av| 欧美成人性av电影在线观看| 国产精品亚洲av一区麻豆| 国产激情偷乱视频一区二区| 不卡一级毛片| 日韩欧美三级三区| 欧美zozozo另类| 男人的好看免费观看在线视频 | 一二三四社区在线视频社区8| av中文乱码字幕在线| 婷婷丁香在线五月| 欧美成人性av电影在线观看| 日韩视频一区二区在线观看| 99热只有精品国产| 久久亚洲精品不卡| 久久精品国产亚洲av香蕉五月| 午夜福利在线在线| av中文乱码字幕在线| 美女午夜性视频免费| 午夜福利18| 男女那种视频在线观看| 久久精品成人免费网站| 哪里可以看免费的av片| 午夜a级毛片| 国产精品一区二区三区四区久久 | 熟女电影av网| 色播在线永久视频| 精品欧美一区二区三区在线| 亚洲欧美激情综合另类| 特大巨黑吊av在线直播 | 国产精品自产拍在线观看55亚洲| 美女 人体艺术 gogo| 国产99久久九九免费精品| 午夜两性在线视频| avwww免费| 久久精品国产清高在天天线| 一区福利在线观看| 一区二区三区高清视频在线| 亚洲天堂国产精品一区在线| 欧美黄色淫秽网站| 国产色视频综合| 一个人观看的视频www高清免费观看 | 中文字幕高清在线视频| 中文亚洲av片在线观看爽| 亚洲国产高清在线一区二区三 | 国产激情偷乱视频一区二区| 在线看三级毛片| 成人亚洲精品一区在线观看| 视频区欧美日本亚洲| 欧美成人一区二区免费高清观看 | 国产午夜福利久久久久久| 99re在线观看精品视频| 免费女性裸体啪啪无遮挡网站| 精品无人区乱码1区二区| 免费在线观看日本一区| 又黄又粗又硬又大视频| 日韩国内少妇激情av| 黑人操中国人逼视频| 国产成人欧美在线观看| 久久九九热精品免费| 欧美成狂野欧美在线观看| a级毛片在线看网站| 久久久久国内视频| e午夜精品久久久久久久| √禁漫天堂资源中文www| 久久九九热精品免费| 狠狠狠狠99中文字幕| 国产精品日韩av在线免费观看| 变态另类丝袜制服| 男女床上黄色一级片免费看| 成在线人永久免费视频| 一级作爱视频免费观看| 国产精品野战在线观看| 男人舔奶头视频| 亚洲av日韩精品久久久久久密| 国产色视频综合| 国产成人啪精品午夜网站| 最近最新中文字幕大全电影3 | 女警被强在线播放| 俄罗斯特黄特色一大片| 久久中文字幕人妻熟女| 老鸭窝网址在线观看| 中出人妻视频一区二区| 国产乱人伦免费视频| 久久亚洲精品不卡| 丝袜人妻中文字幕| 日本一本二区三区精品| 成人av一区二区三区在线看| 国产亚洲欧美在线一区二区| 好男人在线观看高清免费视频 | 欧美色视频一区免费| 亚洲熟妇熟女久久| 亚洲人成77777在线视频| 91av网站免费观看| 久久中文字幕人妻熟女| 免费人成视频x8x8入口观看| av在线播放免费不卡| 香蕉丝袜av| 视频在线观看一区二区三区| 制服诱惑二区| 欧美乱妇无乱码| 最近最新免费中文字幕在线| 亚洲国产看品久久| 亚洲中文av在线| 免费人成视频x8x8入口观看| 日韩大码丰满熟妇| 欧洲精品卡2卡3卡4卡5卡区| 亚洲午夜精品一区,二区,三区| 2021天堂中文幕一二区在线观 | 色老头精品视频在线观看| 免费在线观看视频国产中文字幕亚洲| 国产伦在线观看视频一区| 国产精品国产高清国产av| 亚洲国产高清在线一区二区三 | 国产精品香港三级国产av潘金莲| 1024香蕉在线观看| 亚洲熟妇熟女久久| 日本 欧美在线| 欧美中文综合在线视频| 日韩中文字幕欧美一区二区| 在线天堂中文资源库| 很黄的视频免费| av电影中文网址| 国产又色又爽无遮挡免费看| 久久中文字幕一级| 三级毛片av免费| 日韩欧美在线二视频| 精品国内亚洲2022精品成人| 国产高清videossex| 久久午夜综合久久蜜桃| 久久久久久久久中文| 日本熟妇午夜| 欧美成人午夜精品| av中文乱码字幕在线| 国产一区二区在线av高清观看| 美女 人体艺术 gogo| 日韩国内少妇激情av| 精品国产一区二区三区四区第35| 嫩草影院精品99| 久久久久久久精品吃奶| 久久人妻福利社区极品人妻图片| 最好的美女福利视频网| 黑人巨大精品欧美一区二区mp4| 午夜视频精品福利| 国产主播在线观看一区二区| 国产黄a三级三级三级人| 又大又爽又粗| 日日摸夜夜添夜夜添小说| 91成人精品电影| 叶爱在线成人免费视频播放| 成人亚洲精品av一区二区| 特大巨黑吊av在线直播 | 99久久久亚洲精品蜜臀av| 国产精品亚洲一级av第二区| 好看av亚洲va欧美ⅴa在| 黄色a级毛片大全视频| 50天的宝宝边吃奶边哭怎么回事| 国产成+人综合+亚洲专区| 999久久久精品免费观看国产| 波多野结衣高清作品| 精品一区二区三区四区五区乱码| 白带黄色成豆腐渣| 天堂√8在线中文| 夜夜夜夜夜久久久久| 亚洲色图av天堂| 男女床上黄色一级片免费看| 久久这里只有精品19| 伦理电影免费视频| 欧美 亚洲 国产 日韩一| 亚洲精品一卡2卡三卡4卡5卡| 欧美不卡视频在线免费观看 | 国产视频内射| 99久久综合精品五月天人人| 少妇熟女aⅴ在线视频| 在线免费观看的www视频| 久久这里只有精品19| 亚洲国产精品合色在线| 中文字幕人妻丝袜一区二区| 91国产中文字幕| 亚洲天堂国产精品一区在线| 国产成+人综合+亚洲专区| 老司机在亚洲福利影院| ponron亚洲| 欧美在线黄色| 久久久久久国产a免费观看| 一夜夜www| 欧美色视频一区免费| 特大巨黑吊av在线直播 | 欧美日韩亚洲综合一区二区三区_| 国产激情久久老熟女| 国产成人欧美| 亚洲av熟女| 淫妇啪啪啪对白视频| 人人妻,人人澡人人爽秒播| 老鸭窝网址在线观看| 成人欧美大片| 无遮挡黄片免费观看| 叶爱在线成人免费视频播放| 男人操女人黄网站| 国产精品 欧美亚洲| 亚洲色图av天堂| 精品人妻1区二区| 国产av不卡久久| 国产精品精品国产色婷婷| 高清毛片免费观看视频网站| 最新在线观看一区二区三区| 欧美最黄视频在线播放免费| 老熟妇乱子伦视频在线观看| 亚洲 国产 在线| 国产亚洲欧美在线一区二区| 在线播放国产精品三级| 伊人久久大香线蕉亚洲五| 亚洲av熟女| 久久人妻av系列| 老汉色∧v一级毛片| 国产成年人精品一区二区| 中文字幕另类日韩欧美亚洲嫩草| 国产成人影院久久av| 很黄的视频免费| 99热这里只有精品一区 | 亚洲av成人一区二区三| 欧美日韩黄片免| 日韩欧美一区二区三区在线观看| a级毛片在线看网站| 欧洲精品卡2卡3卡4卡5卡区| 亚洲色图av天堂| 免费av毛片视频| 久久久久九九精品影院| 好看av亚洲va欧美ⅴa在| 免费在线观看完整版高清| 亚洲成国产人片在线观看| 亚洲中文字幕一区二区三区有码在线看 | 亚洲自偷自拍图片 自拍| 免费电影在线观看免费观看| 久久久国产成人精品二区| 亚洲一区中文字幕在线| 少妇被粗大的猛进出69影院| 国产成人精品久久二区二区91| 热99re8久久精品国产| 久久午夜综合久久蜜桃| 搡老熟女国产l中国老女人| 黄色 视频免费看| 国产蜜桃级精品一区二区三区| 精品国产乱码久久久久久男人| 免费在线观看亚洲国产| 欧美日本视频| av天堂在线播放| 性色av乱码一区二区三区2| 国产精品亚洲av一区麻豆| 国产一区二区三区视频了| 99国产精品一区二区蜜桃av| 中文资源天堂在线| 日韩三级视频一区二区三区| 国产又黄又爽又无遮挡在线| 巨乳人妻的诱惑在线观看| 香蕉国产在线看| 亚洲专区字幕在线| 日韩 欧美 亚洲 中文字幕| 狠狠狠狠99中文字幕| 国产区一区二久久| 热re99久久国产66热| 亚洲专区国产一区二区| 黄片小视频在线播放| 久久天躁狠狠躁夜夜2o2o| 日韩欧美在线二视频| 成年版毛片免费区| 男女做爰动态图高潮gif福利片| 欧美在线一区亚洲| 一本精品99久久精品77| 日韩成人在线观看一区二区三区| 精品熟女少妇八av免费久了| 久久精品91蜜桃| 亚洲精品中文字幕一二三四区| 精品久久久久久久人妻蜜臀av| 国产精品,欧美在线| 国产单亲对白刺激| 波多野结衣高清无吗| 国产色视频综合| 亚洲色图av天堂| 久久中文字幕一级| 人人妻人人看人人澡| 男女床上黄色一级片免费看| 级片在线观看| 男女下面进入的视频免费午夜 | 搞女人的毛片| 亚洲人成77777在线视频| 午夜免费鲁丝| 99热只有精品国产| 国产高清videossex| 搡老岳熟女国产| 可以在线观看的亚洲视频| 国产亚洲精品久久久久久毛片| 最近最新中文字幕大全免费视频| 成人永久免费在线观看视频| 久久香蕉国产精品| 精品欧美一区二区三区在线| 亚洲专区国产一区二区| 国产蜜桃级精品一区二区三区| 这个男人来自地球电影免费观看| 婷婷丁香在线五月| 久久久久国产精品人妻aⅴ院| 波多野结衣高清无吗| 天天添夜夜摸| 亚洲人成伊人成综合网2020| 香蕉久久夜色| 中文字幕人成人乱码亚洲影| 在线观看免费日韩欧美大片| 久久久久免费精品人妻一区二区 | 国产一区二区激情短视频| 亚洲色图 男人天堂 中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 老熟妇乱子伦视频在线观看| 搡老岳熟女国产| 免费搜索国产男女视频| 久久伊人香网站| 黄色成人免费大全| 波多野结衣高清作品| 99久久国产精品久久久| 欧美日韩瑟瑟在线播放| 欧美激情 高清一区二区三区| 亚洲国产欧美一区二区综合| 亚洲国产中文字幕在线视频| 亚洲自偷自拍图片 自拍| 成人国产一区最新在线观看| 国产一区二区在线av高清观看| 大香蕉久久成人网| 精品久久久久久久久久免费视频| 亚洲成人免费电影在线观看| 香蕉丝袜av| 成人欧美大片| 亚洲精品美女久久av网站| 免费在线观看亚洲国产| 岛国在线观看网站| 国产不卡一卡二| 免费女性裸体啪啪无遮挡网站| 少妇的丰满在线观看| 又黄又粗又硬又大视频| 成人国产一区最新在线观看| av有码第一页| 这个男人来自地球电影免费观看| 国内久久婷婷六月综合欲色啪| 国产黄片美女视频| 丁香欧美五月| 18美女黄网站色大片免费观看| 看免费av毛片| 1024香蕉在线观看| 日韩欧美国产在线观看| 午夜福利高清视频| av在线天堂中文字幕| 精品欧美一区二区三区在线| 亚洲一区二区三区不卡视频| 亚洲中文字幕一区二区三区有码在线看 | 欧美乱色亚洲激情| 亚洲自拍偷在线| 日本 欧美在线| 少妇熟女aⅴ在线视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美中文日本在线观看视频| 女同久久另类99精品国产91| 国产免费av片在线观看野外av| 99国产精品一区二区蜜桃av| 精品一区二区三区四区五区乱码| 精品久久久久久久人妻蜜臀av| 亚洲av成人不卡在线观看播放网| 亚洲精品国产精品久久久不卡| 18禁黄网站禁片午夜丰满| 亚洲av五月六月丁香网| 成人午夜高清在线视频 | 免费女性裸体啪啪无遮挡网站| 精品久久久久久久久久免费视频| 午夜免费成人在线视频| 两个人视频免费观看高清| 日韩欧美在线二视频| 婷婷精品国产亚洲av| 精品久久久久久,| 大型av网站在线播放| 欧美成人免费av一区二区三区| 精品少妇一区二区三区视频日本电影| 90打野战视频偷拍视频| 午夜日韩欧美国产| 琪琪午夜伦伦电影理论片6080| 日韩欧美国产在线观看| 国产av在哪里看| 俺也久久电影网| 国产成人av激情在线播放| 亚洲国产高清在线一区二区三 | 国产精品九九99| 精品久久蜜臀av无| 麻豆成人av在线观看| 久久中文字幕一级| 啦啦啦观看免费观看视频高清| 精品乱码久久久久久99久播| 国产99久久九九免费精品| 久久天堂一区二区三区四区| 国产97色在线日韩免费| 亚洲五月色婷婷综合| 国产免费av片在线观看野外av| 国产欧美日韩一区二区精品| 99久久99久久久精品蜜桃| 国产不卡一卡二| 久久九九热精品免费| 搡老熟女国产l中国老女人| 一区二区三区国产精品乱码| 看免费av毛片| videosex国产| 好看av亚洲va欧美ⅴa在| 91av网站免费观看| 成年版毛片免费区| 一区二区三区精品91| 欧美亚洲日本最大视频资源| 99热6这里只有精品| 国产野战对白在线观看| 成人三级做爰电影| 少妇被粗大的猛进出69影院| 成人18禁在线播放| 男女床上黄色一级片免费看| 国产激情偷乱视频一区二区| 日韩欧美免费精品| 国产精品99久久99久久久不卡| 又大又爽又粗| 国产高清视频在线播放一区| xxxwww97欧美| 亚洲第一av免费看| 日韩欧美国产在线观看| 国产午夜福利久久久久久| 国产一卡二卡三卡精品| www国产在线视频色| 日韩欧美 国产精品| 久久中文字幕一级| 精品国产乱子伦一区二区三区| 精品人妻1区二区| 嫁个100分男人电影在线观看| 窝窝影院91人妻| 搡老岳熟女国产| 美女 人体艺术 gogo| 日本黄色视频三级网站网址| 亚洲aⅴ乱码一区二区在线播放 | 午夜视频精品福利| 久99久视频精品免费| 国产男靠女视频免费网站| 特大巨黑吊av在线直播 | 亚洲精品av麻豆狂野| 精品久久久久久久毛片微露脸| 欧美 亚洲 国产 日韩一| 色播亚洲综合网| 亚洲国产高清在线一区二区三 | 久久国产精品影院| 99精品久久久久人妻精品| 欧美又色又爽又黄视频| 亚洲精品国产一区二区精华液| 免费电影在线观看免费观看| 精品久久久久久久人妻蜜臀av| 欧美日韩中文字幕国产精品一区二区三区| 亚洲在线自拍视频| 91麻豆精品激情在线观看国产| 精品欧美一区二区三区在线| 久久精品人妻少妇| 18禁美女被吸乳视频| 成人18禁在线播放| 亚洲全国av大片| 欧美日韩乱码在线| 麻豆一二三区av精品| 一进一出好大好爽视频| 狂野欧美激情性xxxx| 亚洲精品一区av在线观看| 日韩有码中文字幕| 日本成人三级电影网站| 最近最新中文字幕大全免费视频| 成人永久免费在线观看视频| 叶爱在线成人免费视频播放| 亚洲成国产人片在线观看| 久久 成人 亚洲| 欧美黑人欧美精品刺激| 成年人黄色毛片网站| 亚洲熟女毛片儿| 18美女黄网站色大片免费观看| 亚洲av五月六月丁香网| 成人午夜高清在线视频 | 99热只有精品国产| 午夜免费鲁丝| 国产黄a三级三级三级人| 国产99久久九九免费精品| 亚洲成av片中文字幕在线观看| 国产精品永久免费网站| 午夜a级毛片| 中文在线观看免费www的网站 | 日韩欧美免费精品| 欧美日韩瑟瑟在线播放| 久久亚洲真实| 久久精品亚洲精品国产色婷小说| 国产黄色小视频在线观看| 国产免费男女视频| 日韩欧美免费精品| 大型av网站在线播放| 亚洲精品av麻豆狂野| 男女床上黄色一级片免费看| 一本精品99久久精品77| 色在线成人网| 欧美黄色淫秽网站| 最新美女视频免费是黄的| 国内揄拍国产精品人妻在线 | av福利片在线| 美国免费a级毛片| 1024香蕉在线观看| 91麻豆av在线| 色在线成人网| 亚洲人成伊人成综合网2020| 国产精品亚洲一级av第二区| 人成视频在线观看免费观看| 国产成人精品久久二区二区免费| 19禁男女啪啪无遮挡网站| 一级毛片精品| 岛国视频午夜一区免费看| 制服人妻中文乱码| 波多野结衣高清作品| 人妻丰满熟妇av一区二区三区| 国产三级黄色录像| 精品卡一卡二卡四卡免费| 国产精品自产拍在线观看55亚洲| 精品卡一卡二卡四卡免费| 嫩草影院精品99| 久久精品亚洲精品国产色婷小说| 日韩视频一区二区在线观看| 国产激情欧美一区二区| 天堂√8在线中文| 午夜成年电影在线免费观看| 日韩 欧美 亚洲 中文字幕| 91麻豆av在线| 啦啦啦免费观看视频1| 91麻豆av在线| 男女下面进入的视频免费午夜 | 色播在线永久视频| 欧美黑人巨大hd| 日本成人三级电影网站| 桃红色精品国产亚洲av| 在线观看www视频免费| 麻豆国产av国片精品| 嫩草影视91久久| 97超级碰碰碰精品色视频在线观看| 国产av在哪里看| 婷婷丁香在线五月| 少妇被粗大的猛进出69影院| 两个人看的免费小视频| 老汉色av国产亚洲站长工具| 国内久久婷婷六月综合欲色啪| 亚洲,欧美精品.| 日日爽夜夜爽网站| 成人亚洲精品一区在线观看| 精品国产国语对白av| а√天堂www在线а√下载| 欧美不卡视频在线免费观看 | 国产精品久久久久久人妻精品电影| 国产精品一区二区精品视频观看| www.www免费av| 欧美三级亚洲精品| 男人操女人黄网站| 日本免费一区二区三区高清不卡| 久久久国产成人免费| 韩国精品一区二区三区| 成年免费大片在线观看| 亚洲欧美日韩无卡精品| www.熟女人妻精品国产| 2021天堂中文幕一二区在线观 | 18禁裸乳无遮挡免费网站照片 | www.999成人在线观看| 人妻丰满熟妇av一区二区三区| АⅤ资源中文在线天堂| 精品久久久久久久人妻蜜臀av| 久久中文字幕一级| 国产精品乱码一区二三区的特点| 亚洲精品中文字幕一二三四区| 老熟妇乱子伦视频在线观看| 这个男人来自地球电影免费观看| 亚洲成人久久性| 精品一区二区三区四区五区乱码| 91成人精品电影| 欧美另类亚洲清纯唯美| 免费av毛片视频| 欧美最黄视频在线播放免费| 亚洲av电影在线进入| 不卡av一区二区三区| 亚洲五月天丁香| 999精品在线视频| 99久久精品国产亚洲精品| 亚洲第一av免费看| 观看免费一级毛片| 亚洲精品粉嫩美女一区| 一本大道久久a久久精品| 中国美女看黄片| 欧美又色又爽又黄视频|