【摘要】：面對(duì)大數(shù)據(jù)的環(huán)境,如何從雜亂無(wú)章的海量信息中給用戶(hù)準(zhǔn)確推薦有價(jià)值的信息,這將是推薦系統(tǒng)領(lǐng)域的主要研究任務(wù)。在傳統(tǒng)的推薦算法中,評(píng)分?jǐn)?shù)據(jù)的稀疏性是影響傳統(tǒng)推薦算法推薦準(zhǔn)確率的主要因素,雖然有些傳統(tǒng)方法解決了評(píng)分?jǐn)?shù)據(jù)稀疏性問(wèn)題,但僅僅挖掘評(píng)分?jǐn)?shù)據(jù)間的線(xiàn)性關(guān)系,而且未考慮到用戶(hù)興趣波動(dòng)的問(wèn)題。針對(duì)評(píng)分?jǐn)?shù)據(jù)稀疏性和用戶(hù)興趣波動(dòng)問(wèn)題,本文提出了一種集成神經(jīng)網(wǎng)絡(luò)的Top-N推薦模型(CDAETN),從海量數(shù)據(jù)中挖掘數(shù)據(jù)間的非線(xiàn)性?xún)?nèi)在聯(lián)系進(jìn)行推薦。首先,考慮用戶(hù)-項(xiàng)目評(píng)分矩陣的稀疏性和數(shù)據(jù)有限性,采用顯性反饋與隱性反饋數(shù)據(jù)結(jié)合的方式。將用戶(hù)評(píng)論信息作為隱性反饋行為,利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)評(píng)論文本進(jìn)行卷積和池化操作獲得用戶(hù)興趣度的隱含特征向量即項(xiàng)目向量,然后將項(xiàng)目向量作為降噪自編碼網(wǎng)絡(luò)輸入層到隱藏層的初始權(quán)重參數(shù),顯性反饋數(shù)據(jù)的評(píng)分矩陣作為降噪自編碼網(wǎng)絡(luò)的輸入數(shù)據(jù),對(duì)用戶(hù)-項(xiàng)目評(píng)分矩陣中未評(píng)分項(xiàng)目進(jìn)行評(píng)分預(yù)測(cè)。其次,考慮到用戶(hù)興趣偏好不是沒(méi)有波動(dòng)的,用戶(hù)的興趣偏好隨著時(shí)間的波動(dòng)趨勢(shì)與人類(lèi)遺忘曲線(xiàn)相類(lèi)似。引入非線(xiàn)性遺忘函數(shù)和項(xiàng)目屬性,然后根據(jù)項(xiàng)目屬性相似度獲得項(xiàng)目間的相似度,尋找與最近評(píng)分項(xiàng)目相似的未評(píng)分項(xiàng)目集合,采用相似項(xiàng)目具有相同的時(shí)間權(quán)重策略,對(duì)未評(píng)分項(xiàng)目的預(yù)測(cè)評(píng)分進(jìn)行時(shí)間加權(quán),重新進(jìn)行評(píng)分預(yù)測(cè),最后選取Top-N個(gè)項(xiàng)目生成推薦列表。通過(guò)仿真實(shí)驗(yàn),本文提出的集成神經(jīng)網(wǎng)絡(luò)的Top-N推薦算法(CDAETN)與傳統(tǒng)的協(xié)同過(guò)濾算法、基于SVD的推薦算法、基于降噪自編碼網(wǎng)絡(luò)的推薦算法進(jìn)行比較F1值,由仿真實(shí)驗(yàn)結(jié)果圖可以看出,本文提出的集成神經(jīng)網(wǎng)絡(luò)的TopN推薦算法(CDAETN)有較大的F1值,說(shuō)明本文提出的CDAETN算法進(jìn)一步提高了推薦準(zhǔn)確率。
【圖文】：

圖 2-4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)對(duì)于二維的輸入特征具有較好的處理能力，，常被用來(lái)處理圖像文件和音視頻文件等。本文將卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)用戶(hù)情感特征的提取，獲得用戶(hù)對(duì)項(xiàng)目的情感趨向，并生成初始的權(quán)重矩陣。

圖 4-7 遺忘函數(shù)曲線(xiàn)非線(xiàn)性遺忘曲線(xiàn)函數(shù)來(lái)對(duì)用戶(hù)興趣偏好進(jìn)行加權(quán)，度值。遺忘曲線(xiàn)函數(shù)如公式（4-5）所示：(1 ( ))( )i nowt ttime i noww t t e + =
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.3;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張艷紅;諶頏;;基于標(biāo)簽的自助教育資源推薦算法研究[J];現(xiàn)代信息科技;2019年12期

2 李欣鞠;;個(gè)性化推薦算法下的“信息繭房”效應(yīng)研究——以“天天快報(bào)”為例[J];西部廣播電視;2019年13期

3 俞偉;徐德華;;推薦算法概述與展望[J];科技與創(chuàng)新;2019年04期

4 張世東;;推薦算法概述[J];科技傳播;2019年04期

5 陳軍;謝衛(wèi)紅;陳揚(yáng)森;;國(guó)內(nèi)外大數(shù)據(jù)推薦算法領(lǐng)域前沿動(dòng)態(tài)研究[J];中國(guó)科技論壇;2018年01期

6 向洋樂(lè);;大數(shù)據(jù)背景下互聯(lián)網(wǎng)購(gòu)物推薦算法應(yīng)用研究[J];中國(guó)戰(zhàn)略新興產(chǎn)業(yè);2018年04期

7 喻國(guó)明;劉鈺菡;王暢穎;王丹敏;;推薦算法:信息推送的王者品性與進(jìn)階重點(diǎn)[J];山東社會(huì)科學(xué);2018年03期

8 劉順程;岳思穎;鐘瑞敏;;基于拉普拉斯噪聲的輕型推薦算法[J];中國(guó)戰(zhàn)略新興產(chǎn)業(yè);2018年20期

9 劉濤;劉佐;;一種面向新文章的個(gè)性化推薦算法研究[J];控制工程;2018年06期

10 汪海鵬;鄭揚(yáng)飛;;基于特征值的律師推薦算法及改進(jìn)方案[J];計(jì)算機(jī)與現(xiàn)代化;2018年10期

相關(guān)會(huì)議論文 前10條

1 米傳民;彭鵬;單曉菲;馬靜;;考慮顯式評(píng)分的基于二部圖的推薦算法[A];第十七屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2015年

2 秦國(guó);杜小勇;;基于用戶(hù)層次信息的協(xié)同推薦算法[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

3 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個(gè)性化推薦算法[A];第二十四屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2007年

4 唐燦;;基于模糊用戶(hù)心理模式的個(gè)性化推薦算法[A];2008年計(jì)算機(jī)應(yīng)用技術(shù)交流會(huì)論文集[C];2008年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時(shí)推薦算法[A];第五屆全國(guó)復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會(huì)議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號(hào)：2695492