互聯(lián)網(wǎng)、電子商務(wù)、云計算等技術(shù)的高速發(fā)展,推進(jìn)了大數(shù)據(jù)時代的到來。信息過載問題是大數(shù)據(jù)時代亟待解決的問題之一,而推薦系統(tǒng)是解決該問題的有效方法。同時,深度學(xué)習(xí)技術(shù)被應(yīng)用于推薦系統(tǒng)領(lǐng)域,并且取得了一些突破性進(jìn)展。本文基于深度學(xué)習(xí)技術(shù),提出了基于遞歸神經(jīng)網(wǎng)絡(luò)和分布式表達(dá)的改進(jìn)的推薦算法。本文研究內(nèi)容如下:(1)許多傳統(tǒng)推薦算法,都是基于用戶與物品的點對推薦模式,并沒有考慮物品的時序關(guān)系,本文使用用戶點擊商品的時間序列數(shù)據(jù)進(jìn)行推薦,傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)模型不能主動控制時間序列數(shù)據(jù)的長短,本文對傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),引入了時間窗口來控制遞歸神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)據(jù)傳遞。實驗結(jié)果表明引入時間窗口改進(jìn)的遞歸神經(jīng)網(wǎng)絡(luò)模型在推薦算法的準(zhǔn)確率指標(biāo)上取得了優(yōu)于傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)模型的效果。(2)為了降低遞歸神經(jīng)網(wǎng)絡(luò)的計算復(fù)雜度,本文借鑒了自然語言處理中常用的分布式表達(dá)算法,通過使用開源工具word2vec訓(xùn)練得到物品的分布式表達(dá)向量,即將物品的原始One-Hot編碼向量轉(zhuǎn)化為了連續(xù)的低維詞向量。隨后將物品的分布式表達(dá)向量當(dāng)作遞歸神經(jīng)網(wǎng)絡(luò)模型的輸入向量,從而降低了計算復(fù)雜度。(3)采用python語言編寫基于用...

【文章頁數(shù)】：51 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.1淘寶網(wǎng)站的推薦結(jié)果

西安科技大學(xué)碩士學(xué)位論文用戶進(jìn)行個性化的推薦。推薦系統(tǒng)作為一種重要的信息過濾及推薦手段，廣泛應(yīng)用頻、新聞、社交、電子商務(wù)等。在推薦系統(tǒng)應(yīng)用領(lǐng)域中，近幾年隨著網(wǎng)絡(luò)的快速發(fā)展，電子商務(wù)在網(wǎng)絡(luò)上的數(shù)量受到電商帶來巨大的便利。但與此同時，在規(guī)模龐大的電選出較滿意的商品，所以在電子商務(wù)領(lǐng)域....

圖1.2推薦系統(tǒng)關(guān)注度趨勢圖

圖1.2推薦系統(tǒng)關(guān)注度趨勢圖的很多的網(wǎng)站都已經(jīng)構(gòu)建自己的推薦系統(tǒng)并不斷提音樂、天貓商城等，這些網(wǎng)站通過推薦系統(tǒng)的應(yīng)用極高自己的市場份額，所以這些網(wǎng)站將推薦系統(tǒng)作為一視頻類網(wǎng)站，很多都推出了自己的視頻推薦系統(tǒng)，使；還有一些社交類網(wǎng)站推出了基于社會化網(wǎng)絡(luò)的推薦；今日頭條這家新聞網(wǎng)....

圖2.2基于用戶的協(xié)同過濾算法示意圖

果要在工業(yè)界選出一個最流行的算法，那么經(jīng)典的協(xié)同過濾推選。協(xié)同過濾推薦算法作為最早的算法之一，由于其良好的推成為了許多互聯(lián)公司都應(yīng)用過的推薦算法，比如美國最著名的就公開表示，基于協(xié)同過濾改進(jìn)后的推薦算法是公司推薦系薦算法的核心思想是利用消費(fèi)者對物品的評分?jǐn)?shù)據(jù)計算出相品之后再進(jìn)行推....

圖2.3基于物品的協(xié)同過濾算法示意圖

|()||()|log(())()()NuNvNiwiNuNvuv1uvw為用戶u與用戶v間的喜好相似度，N(u)為有多少物品被用戶u瀏覽覽過物品i。似喜好的消費(fèi)者集合的計算方法是利用堆排序來挑選出和待推薦消費(fèi)者集合，公式如下：S(u,K)max....

本文編號：3944828