伴隨互聯(lián)網(wǎng)+時代的到來,與互聯(lián)網(wǎng)相關(guān)的應用層出不窮,如智慧出行、網(wǎng)絡(luò)購物、共享出租和資訊與知識的推薦系統(tǒng)等等,給我們的生活帶來了巨大的改變。尤其是推薦系統(tǒng)為我們提供了個性化的服務,減少了原本為獲取信息而花費的大量檢索時間。然而,現(xiàn)在的推薦系統(tǒng)準確率還不夠高,智能性也沒有達到人們的需求。因此,構(gòu)建一種準確率更高的智能推薦系統(tǒng)是目前亟待解決的問題。本文提出了一種新的基于深度學習技術(shù)的面向閱讀應用的智能推薦系統(tǒng)。首先,結(jié)合深度學習技術(shù)與文檔主題概率模型算法,提出了一種文本分類混合模型。該模型利用LDA算法計算出文檔主題概率分布,而后將主題分布向量作為輸入,利用深度學習算法進行分類訓練及預測。實驗結(jié)果表明,該分類預測準確率高于Naive Bayes算法百分之十左右。其次,設(shè)計并實現(xiàn)了基于分類算法的面向閱讀的推薦系統(tǒng)。該系統(tǒng)構(gòu)建于分布式計算平臺Spark和分布式存儲平臺HDFS之上,具體包括系統(tǒng)推薦模塊和系統(tǒng)功能模塊,極大地提高了系統(tǒng)的可擴展性和運行性能。最終,該面向閱讀的推薦系統(tǒng)可以為用戶提供準確率高于協(xié)同過濾3個百分點的推薦結(jié)果,并且系統(tǒng)健壯性和擴展性更好。 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

Kevin和其他兩個用戶比較

Ｍ??圖２－２?ＬＤＡ貝葉斯網(wǎng)絡(luò)圖丨３７】??ＬＤＡ是一個概率圖模型，如圖２－２所示。圖中Ｍ表示所有文檔的數(shù)量，Ｗ??表示一個文檔中詞的數(shù)量，尺表示總體主題的個數(shù)。ａ是文檔－主題Ｄｉｒｉｃｈｌｅｔ??分布３的超參數(shù)，是主題－詞Ｄｉｒｉｃｈｌｅｔ分布％．的超參數(shù)，０表示文檔丨的主題??分布，表示文檔丨中第＿／個詞的主題，％表示主題丨的詞分布，＇表示一個??１６??

?ｐａｒｔｓ?０．００４６４?ｇｒｏｕｐ?０．００３２８??圖３－１文檔－主題及主題－詞概率表示示例｜５４］??３．２深度語義模型算法的設(shè)計與實現(xiàn)??十．－＝■＿??＇?—?Ｈｉｄｄｅ?圍．．ｊｔＬａｙｅｒ??１．．．．．．卜?Ｍ－ｌｌ／ｕ??，＿?ｍ?１１?１??圖３－２深度語義模型結(jié)構(gòu)圖??如圖３－２所示，其展示了一個本文所設(shè)計的深度語義模型架構(gòu)圖。圖中的前??半部分表示利用ＬＤＡ技術(shù)進行主題模型抽取，后半部分為深度學習表示模型，??其輸入向量正是ＬＤＡ算法的輸出。該模型明確的定義了算法的輸入與輸出及中??間值的銜接。其數(shù)據(jù)流動圖如圖３－３所示。??——＾￣ｎ——ｎ—??Ｄｏｃｕｍｅｎｔ?Ｉｄａ?）?Ｖｅｃｔｏｒ?ｏｆ?ｄｏｃ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｙ?Ｃｌａｓｓｉｃ?ｃａｔｉｏｎ??—／?—ｙ＾—???????圖３－３數(shù)據(jù)流動圖??本文所設(shè)計的學習模型具有模型一致性和數(shù)據(jù)連貫性等特點。該模型明確??的將主題特征向量輸入到神經(jīng)網(wǎng)絡(luò)框架中


本文編號：2988194