隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展,世界已經(jīng)成為了一個(gè)信息的海洋。人們?cè)谙硎芎Ａ啃畔淼谋憷⻊?wù)的同時(shí)也面臨著越來越多的選擇。如何挖掘用戶的興趣特點(diǎn),為用戶進(jìn)行精準(zhǔn)的個(gè)性化推薦是本文研究的重點(diǎn)。目前主流的個(gè)性化推薦算法中協(xié)同過濾推薦算法是效果較好也是應(yīng)用最廣的算法。該算法通過計(jì)算目標(biāo)用戶或物品間的相似度并根據(jù)與目標(biāo)用戶興趣相似的用戶對(duì)物品的評(píng)價(jià)來預(yù)測(cè)目標(biāo)用戶對(duì)物品的喜好。一方面協(xié)同過濾算法存在冷啟動(dòng)和矩陣稀疏性等問題;另一方面當(dāng)前推薦算法往往只考慮了用戶對(duì)物品的評(píng)分卻忽視了用戶對(duì)物品的個(gè)性化評(píng)價(jià),難以充分挖掘用戶的興趣特征。針對(duì)推薦算法存在的上述問題,本文提出利用強(qiáng)化學(xué)習(xí)的思想和加入用戶評(píng)價(jià)因素來實(shí)現(xiàn)基于用戶評(píng)價(jià)的強(qiáng)化學(xué)習(xí)推薦算法,主要工作內(nèi)容如下:提出了一種基于強(qiáng)化學(xué)習(xí)的協(xié)同過濾推薦算法。針對(duì)協(xié)同過濾推薦算法存在的冷啟動(dòng)和矩陣稀疏性問題,引入強(qiáng)化學(xué)習(xí)中的值函數(shù)估計(jì)思想,使用用戶狀態(tài)值函數(shù)間的差異替代以往的相似度計(jì)算方式,緩解矩陣稀疏性問題。通過學(xué)習(xí)率控制用戶狀態(tài)值函數(shù)中權(quán)值向量的收斂速度以緩解冷啟動(dòng)問題。該算法通過學(xué)習(xí)用戶的狀態(tài)值函數(shù)來評(píng)估用戶當(dāng)前的狀態(tài),并通過梯度下降法對(duì)用戶狀態(tài)值函數(shù)中的... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 論文研究內(nèi)容與章節(jié)結(jié)構(gòu)
        1.4.1 研究內(nèi)容
        1.4.2 章節(jié)結(jié)構(gòu)
第二章 個(gè)性化推薦算法與強(qiáng)化學(xué)習(xí)方法研究
    2.1 個(gè)性化推薦算法介紹
        2.1.1 基于內(nèi)容的推薦
        2.1.2 協(xié)同過濾推薦算法
        2.1.3 其它推薦算法
    2.2 強(qiáng)化學(xué)習(xí)方法研究
        2.2.1 強(qiáng)化學(xué)習(xí)框架
        2.2.2 強(qiáng)化學(xué)習(xí)經(jīng)典方法
    2.3 本章小結(jié)
第三章 基于值函數(shù)估計(jì)的協(xié)同過濾推薦算法
    3.1 協(xié)同過濾推薦算法問題分析
    3.2 基于強(qiáng)化學(xué)習(xí)計(jì)算值函數(shù)模型
        3.2.1 強(qiáng)化學(xué)習(xí)值函數(shù)估計(jì)方法
        3.2.2 推薦場(chǎng)景下值函數(shù)估計(jì)
    3.3 基于值函數(shù)估計(jì)的推薦算法模型
    3.4 推薦算法仿真實(shí)驗(yàn)
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        3.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.4.3 實(shí)驗(yàn)設(shè)置
    3.5 實(shí)驗(yàn)結(jié)果對(duì)比與分析
        3.5.1 參數(shù)設(shè)置實(shí)驗(yàn)結(jié)果分析
        3.5.2 基于值函數(shù)估計(jì)的協(xié)同過濾推薦算法結(jié)果分析
    3.6 本章小結(jié)
第四章 基于用戶評(píng)價(jià)的強(qiáng)化學(xué)習(xí)推薦算法
    4.1 用戶評(píng)價(jià)度量方法
        4.1.1 基于用戶評(píng)價(jià)方案分析
        4.1.2 用戶評(píng)價(jià)在強(qiáng)化學(xué)習(xí)方法中的應(yīng)用
    4.2 基于用戶評(píng)價(jià)的強(qiáng)化學(xué)習(xí)推薦算法模型
    4.3 推薦算法仿真實(shí)驗(yàn)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)與預(yù)處理
        4.3.2 實(shí)驗(yàn)設(shè)置
    4.4 實(shí)驗(yàn)結(jié)果對(duì)比與分析
        4.4.1 參數(shù)設(shè)置及實(shí)驗(yàn)結(jié)果分析
        4.4.2 推薦算法及實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
致謝
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]決策樹典型算法研究綜述[J]. 邵旻暉.  電腦知識(shí)與技術(shù). 2018(08)
[2]基于多層次混合相似度的協(xié)同過濾推薦算法[J]. 袁正午,陳然.  計(jì)算機(jī)應(yīng)用. 2018(03)
[3]一種基于改進(jìn)最近鄰算法的忠誠度預(yù)測(cè)方法[J]. 朱虹,李千目,戚湧.  南京理工大學(xué)學(xué)報(bào). 2017(04)
[4]基于圖和改進(jìn)K近鄰模型的高效協(xié)同過濾推薦算法[J]. 孟桓羽,劉真,王芳,徐家棟,張國強(qiáng).  計(jì)算機(jī)研究與發(fā)展. 2017(07)
[5]一種結(jié)合關(guān)聯(lián)規(guī)則的協(xié)同過濾推薦算法[J]. 陳平華,陳傳瑜,洪英漢.  小型微型計(jì)算機(jī)系統(tǒng). 2016(02)
[6]改進(jìn)的基于標(biāo)簽的協(xié)同過濾算法[J]. 郭彩云,王會(huì)進(jìn).  計(jì)算機(jī)工程與應(yīng)用. 2016(08)
[7]移動(dòng)環(huán)境下基于情境感知的個(gè)性化閱讀推薦研究[J]. 曾子明,陳貝貝.  情報(bào)理論與實(shí)踐. 2015(12)
[8]協(xié)同過濾算法中的用戶相似性度量方法研究[J]. 任看看,錢雪忠.  計(jì)算機(jī)工程. 2015(08)
[9]基于用戶-標(biāo)簽-項(xiàng)目語義挖掘的個(gè)性化音樂推薦[J]. 李瑞敏,林鴻飛,閆俊.  計(jì)算機(jī)研究與發(fā)展. 2014(10)
[10]一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J]. 郭磊,馬軍,陳竹敏,姜浩然.  計(jì)算機(jī)學(xué)報(bào). 2014(01)

碩士論文
[1]互聯(lián)網(wǎng)電影推薦方法的研究與實(shí)現(xiàn)[D]. 陳天昊.中國科學(xué)技術(shù)大學(xué) 2014
[2]基于組合優(yōu)化的線性分類算法研究[D]. 劉志偉.西安電子科技大學(xué) 2013
[3]基于協(xié)同過濾的個(gè)性化推薦算法研究[D]. 周張?zhí)m.華中師范大學(xué) 2009
[4]基于內(nèi)容和協(xié)同過濾的混合模式推薦技術(shù)研究[D]. 曹毅.中南大學(xué) 2007



本文編號(hào)：3070104