發(fā)布時(shí)間：2021-07-06 21:53

　　隨著在線電影數(shù)量不斷增長,對于電影網(wǎng)站來說,電影評分高低直接影響電影的觀看次數(shù)和用戶的選擇,對于用戶來說,在眾多的電影中找到自己真正喜歡的電影,耗時(shí)費(fèi)力。推薦系統(tǒng)提供了克服此類問題的有效解決方法,為網(wǎng)站和用戶提供了極大的便利。但是傳統(tǒng)推薦算法存在由于數(shù)據(jù)稀疏問題導(dǎo)致的推薦效果不佳及冷啟動(dòng)問題,且在對用戶進(jìn)行推薦時(shí)未考慮用戶給推薦物品的評分高低的影響因素。針對以上問題,本文對推薦算法及其發(fā)展現(xiàn)狀進(jìn)行了分析,并深入研究了深度學(xué)習(xí)在電影推薦領(lǐng)域的應(yīng)用。通過對現(xiàn)有算法進(jìn)行改進(jìn),提出交互式混合推薦算法,并且引入了評分優(yōu)化權(quán)重,有效緩解了數(shù)據(jù)稀疏和冷啟動(dòng)問題,同時(shí)用戶的評分行為也得到了優(yōu)化。本文主要研究工作如下:（1）構(gòu)建基于協(xié)同過濾的評分優(yōu)化算法目前推薦系統(tǒng)主要依靠相似度計(jì)算對缺失值進(jìn)行預(yù)測,選擇預(yù)測值較高的前N個(gè)進(jìn)行推薦,并沒有考慮用戶上次觀看電影對本次評分行為的影響,針對這一問題,本文提出基于協(xié)同過濾的評分優(yōu)化算法。該算法在協(xié)同過濾算法的基礎(chǔ)上引入評分優(yōu)化權(quán)重,提高了電影的平均評分,減小用戶對電影的評分波動(dòng)。（2）改進(jìn)基于自編碼器的混合推薦算法在基于自編碼器的混合推薦算法中深度學(xué)習(xí)算法和傳統(tǒng)... 

【文章來源】：太原理工大學(xué)山西省 211工程院校

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦系統(tǒng)一般工作方式

圖 2-2 受限玻爾茲曼機(jī)結(jié)構(gòu)圖stricted boltzmann machine struc步完成：樣本數(shù)據(jù)集 S；率 以及算法參數(shù) k ；結(jié)點(diǎn)的數(shù)目；值矩陣W 和偏執(zhí)向量 、 ,3, ,nDO12 W , b, b，12W, b,b

模型的多個(gè)函數(shù)的參數(shù)值是相同的，減少了網(wǎng)絡(luò)參數(shù)的存儲(chǔ)量，就是指不同的輸入都是以同樣的方式進(jìn)行變化直到網(wǎng)絡(luò)的輸出，其具有這種性質(zhì)，可以很好的應(yīng)用在具有相鄰數(shù)據(jù)的函數(shù)。除了的另外一個(gè)重要的操作就是池化，也就是將多個(gè)神經(jīng)元的輸出求化層的輸出，因此也被稱為下采樣層。這樣可以減少神經(jīng)網(wǎng)絡(luò)中絡(luò)的計(jì)算參數(shù)，同時(shí)經(jīng)過池化操作的網(wǎng)絡(luò)還具有平移不變性。卷層、卷積層、下采樣層、全連接層和輸出層組成[45]，如圖 2-3 所經(jīng)網(wǎng)絡(luò)可以很好的感知二維數(shù)據(jù)或者類似網(wǎng)絡(luò)結(jié)構(gòu)的數(shù)據(jù)信息，機(jī)。應(yīng)用于推薦系統(tǒng)時(shí)，主要是用來提取圖像、文本、音頻等內(nèi)用一組低維數(shù)據(jù)進(jìn)行表示，然后和用戶的隱表示相互結(jié)合，最后用戶。目前卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛的應(yīng)用在多個(gè)領(lǐng)域，比如圖像推薦等。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于用戶的協(xié)同過濾推薦算法[J]. 張雙慶.  電腦知識(shí)與技術(shù). 2019(01)
[2]基于雙層注意力機(jī)制的深度學(xué)習(xí)電影推薦系統(tǒng)[J]. 肖青秀,湯鯤.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[3]基于深度學(xué)習(xí)的視頻背景音樂自動(dòng)推薦算法研究[J]. 呂軍輝.  電視技術(shù). 2018(10)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的視頻人臉檢測與識(shí)別[J]. 李淑.  電腦知識(shí)與技術(shù). 2018(21)
[5]移動(dòng)互聯(lián)網(wǎng)推薦系統(tǒng)研究綜述[J]. 陳偉,卜慶凱.  電腦知識(shí)與技術(shù). 2018(11)
[6]基于降噪自動(dòng)編碼器的推薦算法[J]. 武玲梅,陸建波,劉春霞.  計(jì)算機(jī)與現(xiàn)代化. 2018(03)
[7]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)
[8]基于深度學(xué)習(xí)的醫(yī)學(xué)圖像識(shí)別研究進(jìn)展[J]. 劉飛,張俊然,楊豪.  中國生物醫(yī)學(xué)工程學(xué)報(bào). 2018(01)
[9]基于深度學(xué)習(xí)的電子文本自然語言處理系統(tǒng)[J]. 趙棟材,周雁.  電子技術(shù)與軟件工程. 2018(03)
[10]棧式降噪自編碼器的標(biāo)簽協(xié)同過濾推薦算法[J]. 霍歡,鄭德原,高麗萍,楊滬滬,劉亮,張薇.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)

碩士論文
[1]基于深度學(xué)習(xí)的推薦系統(tǒng)均模型研究[D]. 王聰.太原理工大學(xué) 2018
[2]基于深度學(xué)習(xí)的個(gè)性化引文搜索推薦算法研究[D]. 陳志濤.西北農(nóng)林科技大學(xué) 2018
[3]基于受限玻爾茲曼機(jī)的協(xié)同過濾算法研究與應(yīng)用[D]. 盧兵帥.西安理工大學(xué) 2017
[4]基于深度學(xué)習(xí)的自然圖像分類方法的研究[D]. 王坤.東華理工大學(xué) 2017
[5]基于深度極限學(xué)習(xí)機(jī)的衛(wèi)星云圖云量計(jì)算[D]. 孔維斌.南京信息工程大學(xué) 2017
[6]基于Hadoop的電子商務(wù)推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 王東.西安工業(yè)大學(xué) 2017
[7]深度卷積神經(jīng)網(wǎng)絡(luò)中基于序的池化方法研究[D]. 時(shí)增林.鄭州大學(xué) 2017
[8]基于改進(jìn)型SVD協(xié)同過濾算法的新聞推薦系統(tǒng)[D]. 劉新全.蘭州大學(xué) 2017
[9]深度人臉特征提取及識(shí)別的應(yīng)用研究[D]. 陳冠豪.重慶大學(xué) 2017
[10]基于HLS的Tiny-yolo卷積神經(jīng)網(wǎng)絡(luò)加速研究[D]. 張麗麗.重慶大學(xué) 2017



本文編號(hào)：3269039