發(fā)布時(shí)間：2021-04-25 07:53

　　依托中國電影市場的蓬勃發(fā)展,個(gè)性化電影推薦系統(tǒng)需求也應(yīng)運(yùn)而生,構(gòu)建更為精準(zhǔn)的個(gè)性化電影推薦系統(tǒng)越來越重要。為了克服傳統(tǒng)推薦算法的局限性,本文嘗試使用神經(jīng)網(wǎng)絡(luò)技術(shù),開展基于深度學(xué)習(xí)的推薦系統(tǒng)研究。使用美國明尼蘇達(dá)大學(xué)（UMN）的Grouplens團(tuán)隊(duì)公開的用于測試推薦算法的數(shù)據(jù)集MovieLens,通過兩種角度改進(jìn)神經(jīng)協(xié)同過濾模型得到兩種電影推薦系統(tǒng)模型,主要包括以下工作:（1）提出結(jié)合貝葉斯個(gè)性化排序算法的改進(jìn)模型B-NCF。通過構(gòu)建用戶電影偏序?qū)?滿足貝葉斯個(gè)性化排序算法的前提條件,通過重新設(shè)計(jì)神經(jīng)協(xié)同過濾神經(jīng)網(wǎng)絡(luò),替換原神經(jīng)協(xié)調(diào)過濾模型中的廣義矩陣分解層為貝葉斯個(gè)性化排序?qū)?使得神經(jīng)協(xié)同過濾模型獲得學(xué)習(xí)隱含排序信息的能力,從而使得貝葉斯個(gè)性化排序算法與神經(jīng)協(xié)同過濾模型巧妙地結(jié)合起來,本文通過大量對比試驗(yàn)驗(yàn)證新模型的有效性。貝葉斯個(gè)性化排序?qū)拥囊朐鰪?qiáng)了推薦模型挖掘信息深度的能力,同時(shí)增加輔助信息來影響最終推薦得分,因此最終的電影推薦系統(tǒng)滿足了從深度和廣度來進(jìn)行電影推薦。（2）提出多元信息嵌入推薦模型M-NCF。由于MovieLens-100k和MovieLens-1m的信息存儲(chǔ)格式... 

【文章來源】：杭州師范大學(xué)浙江省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 電影推薦研究的意義
    1.2 推薦算法現(xiàn)狀
        1.2.1 常用的推薦算法——協(xié)同過濾算法
        1.2.2 其他比較常見的推薦算法
        1.2.3 基于神經(jīng)網(wǎng)絡(luò)的推薦算法
        1.2.4 多樣化神經(jīng)網(wǎng)絡(luò)推薦算法發(fā)展
    1.3 創(chuàng)新點(diǎn)與難點(diǎn)
    1.4 本文的組織結(jié)構(gòu)
2 與推薦模型相關(guān)的理論與技術(shù)
    2.1 相關(guān)神經(jīng)網(wǎng)絡(luò)
        2.1.1 多層感知機(jī)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.1.4 GRU網(wǎng)絡(luò)
    2.2 貝葉斯個(gè)性化排序算法
    2.3 神經(jīng)協(xié)同過濾模型
    2.4 本章小結(jié)
3 結(jié)合貝葉斯個(gè)性化排序算法的改進(jìn)神經(jīng)協(xié)同過濾模型
    3.1 模型總體設(shè)計(jì)
        3.1.1 嵌入層（Embedding Layer）
        3.1.2 多層感知機(jī)層（MLP Layer）
        3.1.3 貝葉斯個(gè)性化排序?qū)樱˙PR Layer）
        3.1.4 輸出層（Output Layer）
        3.1.5 算法更新步驟
    3.2 電影推薦系統(tǒng)
    3.3 設(shè)計(jì)研究實(shí)驗(yàn)
        3.3.1 電影數(shù)據(jù)集MovieLens
        3.3.2 評價(jià)指標(biāo)
        3.3.3 數(shù)據(jù)集預(yù)處理
        3.3.4 模型參數(shù)設(shè)置
        3.3.5 影響因子研究
        3.3.6 不同模型對比
    3.4 電影仿真推薦
    3.5 本章小結(jié)
4 基于深度學(xué)習(xí)的多元信息嵌入推薦模型
    4.1 特征工程
        4.1.1 數(shù)據(jù)集分析
        4.1.2 數(shù)字化與向量化
    4.2 模型總體設(shè)計(jì)
        4.2.1 嵌入層（Embedding Layer）
        4.2.2 多層感知機(jī)層（MLP Layer）
        4.2.3 廣義矩陣分解層（GMF Layer）
        4.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò)層（RNN Layer）
        4.2.5 輸出層（Output Layer）
    4.3 設(shè)計(jì)研究實(shí)驗(yàn)
        4.3.1 評價(jià)指標(biāo)
        4.3.2 模型參數(shù)設(shè)置
        4.3.3 影響因子研究
        4.3.4 新舊模型對比
        4.3.5 不同模型對比
    4.4 電影仿真推薦
        4.4.1 基于預(yù)測評分的電影推薦
        4.4.2 基于物品的協(xié)同過濾電影推薦
        4.4.3 基于矩陣分解法的電影推薦
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 論文工作總結(jié)
    5.2 不足與展望
參考文獻(xiàn)
攻讀學(xué)位期間的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]融合多源異構(gòu)網(wǎng)絡(luò)信息的標(biāo)簽推薦方法[J]. 包恒澤,周棟,吳談.  山東大學(xué)學(xué)報(bào)(理學(xué)版). 2019(03)
[2]基于深度神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)研究[J]. 字云飛,李業(yè)麗,孫華艷.  電子技術(shù)應(yīng)用. 2019(01)
[3]融合多數(shù)據(jù)源的動(dòng)態(tài)自適應(yīng)推薦算法[J]. 陳曉霞,盧菁.  計(jì)算機(jī)工程. 2018(09)
[4]基于深度學(xué)習(xí)的多交互混合推薦模型[J]. 李同歡,唐雁,劉冰.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[5]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(jì)算機(jī)學(xué)報(bào). 2018(07)
[6]深層網(wǎng)絡(luò)中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[7]基于加權(quán)多融合偏好與結(jié)構(gòu)相似度的協(xié)同過濾算法[J]. 何順,王淑娟,雷建云.  計(jì)算機(jī)工程. 2016(10)
[8]個(gè)性化推薦中的隱語義模型[J]. 王升升,趙海燕,陳慶奎,曹健.  小型微型計(jì)算機(jī)系統(tǒng). 2016(05)
[9]面向隱式反饋的推薦系統(tǒng)研究現(xiàn)狀與趨勢[J]. 陸藝,曹健.  計(jì)算機(jī)科學(xué). 2016(04)
[10]融合標(biāo)簽特征和時(shí)間上下文的協(xié)同過濾推薦算法[J]. 竇羚源,王新華,孫克.  小型微型計(jì)算機(jī)系統(tǒng). 2016(01)

博士論文
[1]基于多樣化內(nèi)容數(shù)據(jù)的個(gè)性化推薦系統(tǒng)[D]. 練建勛.中國科學(xué)技術(shù)大學(xué) 2018
[2]融合多源信息的推薦算法研究[D]. 余永紅.南京大學(xué) 2017
[3]集成多元信息的推薦系統(tǒng)建模方法的研究[D]. 胡亮.上海交通大學(xué) 2015
[4]社交網(wǎng)絡(luò)中個(gè)性化推薦模型及算法研究[D]. 張志軍.山東師范大學(xué) 2015
[5]面向知識推薦服務(wù)的消費(fèi)者在線購物決策研究[D]. 許應(yīng)楠.南京理工大學(xué) 2012
[6]奇異值分解及其在廣義逆理論中的應(yīng)用[D]. 郭文彬.華東師范大學(xué) 2004

碩士論文
[1]基于多因素的矩陣分解推薦算法研究與實(shí)現(xiàn)[D]. 張文博.北京郵電大學(xué) 2019
[2]基于圖卷積與神經(jīng)協(xié)同過濾的融合信息推薦模型[D]. 江原.吉林大學(xué) 2018
[3]長尾信息的個(gè)性化推薦中的特征選擇優(yōu)化算法[D]. 丁志東.北京交通大學(xué) 2016
[4]推薦系統(tǒng)中多樣性和新穎性算法研究[D]. 艾聰聰.湖南大學(xué) 2014



本文編號：3159020