伴隨互聯(lián)網(wǎng)+時(shí)代的到來(lái),與互聯(lián)網(wǎng)相關(guān)的應(yīng)用層出不窮,如智慧出行、網(wǎng)絡(luò)購(gòu)物、共享出租和資訊與知識(shí)的推薦系統(tǒng)等等,給我們的生活帶來(lái)了巨大的改變。尤其是推薦系統(tǒng)為我們提供了個(gè)性化的服務(wù),減少了原本為獲取信息而花費(fèi)的大量檢索時(shí)間。然而,現(xiàn)在的推薦系統(tǒng)準(zhǔn)確率還不夠高,智能性也沒(méi)有達(dá)到人們的需求。因此,構(gòu)建一種準(zhǔn)確率更高的智能推薦系統(tǒng)是目前亟待解決的問(wèn)題。本文提出了一種新的基于深度學(xué)習(xí)技術(shù)的面向閱讀應(yīng)用的智能推薦系統(tǒng)。首先,結(jié)合深度學(xué)習(xí)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(jì)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(xué)習(xí)算法進(jìn)行分類訓(xùn)練及預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該分類預(yù)測(cè)準(zhǔn)確率高于Naive Bayes算法百分之十左右。其次,設(shè)計(jì)并實(shí)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(jì)算平臺(tái)Spark和分布式存儲(chǔ)平臺(tái)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(kuò)展性和運(yùn)行性能。最終,該面向閱讀的推薦系統(tǒng)可以為用戶提供準(zhǔn)確率高于協(xié)同過(guò)濾3個(gè)百分點(diǎn)的推薦結(jié)果,并且系統(tǒng)健壯性和擴(kuò)展性更好。 

【文章來(lái)源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

Kevin和其他兩個(gè)用戶比較

Ｍ??圖２－２?ＬＤＡ貝葉斯網(wǎng)絡(luò)圖丨３７】??ＬＤＡ是一個(gè)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(gè)文檔中詞的數(shù)量，尺表示總體主題的個(gè)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(gè)詞的主題，％表示主題丨的詞分布，＇表示一個(gè)??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(yǔ)義模型算法的設(shè)計(jì)與實(shí)現(xiàn)??十．－＝■＿??＇?—?Ｈｉｄｄｅ?圍．．ｊｔＬａｙｅｒ??１．．．．．．卜?Ｍ－ｌｌ／ｕ??，＿?ｍ?１１?１??圖３－２深度語(yǔ)義模型結(jié)構(gòu)圖??如圖３－２所示，其展示了一個(gè)本文所設(shè)計(jì)的深度語(yǔ)義模型架構(gòu)圖。圖中的前??半部分表示利用ＬＤＡ技術(shù)進(jìn)行主題模型抽取，后半部分為深度學(xué)習(xí)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(dòng)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(dòng)圖??本文所設(shè)計(jì)的學(xué)習(xí)模型具有模型一致性和數(shù)據(jù)連貫性等特點(diǎn)。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(hào)：2988194