隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,每天產(chǎn)生的數(shù)據(jù)量在爆發(fā)式增長。在信息量嚴(yán)重過載,競爭極為激勵的今天,傳統(tǒng)的搜索引擎已經(jīng)無法滿足當(dāng)前的需求。推薦系統(tǒng)在這樣情景下應(yīng)運(yùn)而生,成為很多網(wǎng)站很重要的一部分,也成為新時代的一個新寵,其中使用范圍最廣泛的是協(xié)同過濾技術(shù)。協(xié)同過濾算法雖然應(yīng)該最為廣泛,但是也面臨著嚴(yán)重的數(shù)據(jù)稀疏性、擴(kuò)展性和冷啟動等問題。為了解決這些問題,本文提出了基于回歸的條件受限波爾茲曼機(jī)推薦模型（Regression-based on CRBM,簡記為R-CRBM）,還有基于強(qiáng)化的受限波爾茲曼機(jī)模型（Strengthen-based on CRBM,簡記為S-CRBM）和隱因子模型（LFM）的混合推薦模型（SCRBM-LFM）。首先,本文在RBM模型基礎(chǔ)上引入條件層,分別使用用戶信息和項目信息對模型進(jìn)行訓(xùn)練,并使用線性歸回算法對兩個結(jié)果進(jìn)行融合。其次,本文在基于條件的受限波爾茲曼機(jī)模型基礎(chǔ)上引入強(qiáng)化層,強(qiáng)化層由基于用戶特征的項目相似度計算方法計算而來,訓(xùn)練模型生成推薦候選集,最后使用隱因子模型對候選集進(jìn)行排序,進(jìn)行Top-N推薦。本文在公開數(shù)據(jù)集MovieLense上進(jìn)行對比試驗和結(jié)果分... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

推薦算法Fig.1-1Recommendationalgorithm

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文可以知道物品 A 和物品 C 很相似，所以默認(rèn)認(rèn)為購買物品 A 買物品 C，所以既然用戶丙喜歡用品 A，那么接下來就可以戶丙�？梢姡琔ser-Based CF 的計算復(fù)雜度比 Item-Based CF 很多，但是它可以幫助用戶找到新類別的有一定驚喜度的項相似度在一定的時間內(nèi)幾乎不會發(fā)生變化，很難給用戶帶來個方面將 User-Based CF 和 Item-Based CF 進(jìn)行了簡單的對比總

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文經(jīng)單元的偏置向量用Tmb (b,b,...,b)12 來表示，隱藏層第 j 個神經(jīng)元的狀態(tài)用 0 ,1 jh 來表示，隱藏層第 j 個神經(jīng)元的偏置值用jb 來表示，神經(jīng)單元之間的連接權(quán)重矩陣用mnijWwR ( ) 來表示，可視層神經(jīng)元i與隱藏層神經(jīng)元 j 之間的連接權(quán)值用ijw 來表示。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的開放領(lǐng)域?qū)υ捪到y(tǒng)研究綜述[J]. 陳晨,朱晴晴,嚴(yán)睿,柳軍飛.  計算機(jī)學(xué)報. 2019(07)
[2]因子分解機(jī)模型研究綜述[J]. 趙衎衎,張良富,張靜,李翠平,陳紅.  軟件學(xué)報. 2019(03)
[3]基于標(biāo)簽卷積神經(jīng)網(wǎng)絡(luò)的文本推薦算法[J]. 馬驍烊,張謐.  計算機(jī)系統(tǒng)應(yīng)用. 2018(08)
[4]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[5]融合主題模型和協(xié)同過濾的多樣化移動應(yīng)用推薦[J]. 黃璐,林川杰,何軍,劉紅巖,杜小勇.  軟件學(xué)報. 2017(03)
[6]面向數(shù)據(jù)的軟件體系結(jié)構(gòu)初步探討[J]. 苗放.  計算機(jī)科學(xué)與探索. 2016(10)
[7]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[8]推薦系統(tǒng)評價指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報. 2012(02)

碩士論文
[1]基于深度學(xué)習(xí)的協(xié)同過濾模型研究[D]. 余沖.深圳大學(xué) 2017
[2]基于機(jī)器學(xué)習(xí)的推薦技術(shù)研究[D]. 孟曉龍.吉林大學(xué) 2016
[3]基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D]. 張艷霞.電子科技大學(xué) 2016
[4]基于排序?qū)W習(xí)的Top-N推薦算法研究[D]. 何平凡.北京理工大學(xué) 2016
[5]基于馬爾可夫鏈蒙特卡羅方法的RBM學(xué)習(xí)算法改進(jìn)[D]. 胡洋.上海交通大學(xué) 2012



本文編號：2954315