隨著互聯(lián)網(wǎng)的普及和計算機技術(shù)的快速發(fā)展,網(wǎng)絡(luò)上各類信息資源也出現(xiàn)了大幅度的增長。用戶常常在面對海量的信息時束手無策,不知道如何才可以從海量的信息里準確而又快速的得到有關(guān)聯(lián)的信息。用戶對信息的需求不能滿足,造成信息資源浪費,資源利用率降低,這就是信息過載問題。而解決這類問題的一個有效方法就是推薦系統(tǒng)。近幾年伴隨著人工智能技術(shù)的飛速發(fā)展,深度學(xué)習(xí)技術(shù)在推薦系統(tǒng)領(lǐng)域中的研究也已經(jīng)成為熱點之一。其中生成對抗網(wǎng)絡(luò)（GAN）在圖像處理和自然語言等領(lǐng)域取得突破性進展。信息資源的快速增長也使得信息中的用戶數(shù)量和項目數(shù)量迅速增加,造成了數(shù)據(jù)集中有效評分所占的比例越來越小,數(shù)據(jù)越來越稀疏,也使得傳統(tǒng)的推薦算法不能很準確地為用戶進行推薦。傳統(tǒng)的GAN模型只是簡單的利用了用戶和項目之間的評分關(guān)系,并沒有將用戶和項目的其他的屬性信息充分利用起來,一定程度上影響了算法的推薦精度。針對上述問題,本文提出了一種將現(xiàn)有的IRGAN和Wide&Deep Models融合的推薦算法（IRGAN-WD）,利用Wide&Deep模型,將用戶和項目的其他相關(guān)屬性充分利用。并且在Wide&Deep模型中引入... 

【文章來源】：寧波大學(xué)浙江省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 協(xié)同過濾在推薦系統(tǒng)領(lǐng)域的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域的研究現(xiàn)狀
        1.2.3 電影推薦系統(tǒng)的研究現(xiàn)狀
    1.3 論文主要工作以及研究內(nèi)容
    1.4 論文的篇章結(jié)構(gòu)
2 相關(guān)理論和技術(shù)介紹
    2.1 生成對抗網(wǎng)絡(luò)介紹
    2.2 注意力模型介紹
    2.3 大數(shù)據(jù)相關(guān)技術(shù)介紹
        2.3.1 Hadoop簡介
        2.3.2 Spark簡介
        2.3.3 Flume和 Kafka簡介
    2.4 本章小結(jié)
3 基于IRGAN和融合注意力機制的Wide& Deep Models混合推薦算法
    3.1 相關(guān)算法介紹
        3.1.1 IRGAN算法模型
        3.1.2 Wide& Deep Model
    3.2 IRGAN-WD算法
        3.2.1 算法思想
        3.2.2 算法設(shè)計
    3.3 實驗結(jié)果與分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 數(shù)據(jù)集預(yù)處理
        3.3.3 實驗評價標準
        3.3.4 參數(shù)選取
        3.3.5 實驗結(jié)果分析
    3.4 本章小結(jié)
4 基于IRGAN-WD的電影推薦系統(tǒng)的設(shè)計
    4.1 系統(tǒng)需求分析
        4.1.1 功能需求分析
        4.1.2 非功能需求分析
    4.2 系統(tǒng)總體架構(gòu)設(shè)計
    4.3 系統(tǒng)功能模塊設(shè)計
    4.4 系統(tǒng)算法層詳細設(shè)計
        4.4.1 算法層總體架構(gòu)設(shè)計
        4.4.2 離線推薦模塊設(shè)計
        4.4.3 在線推薦模塊設(shè)計
    4.5 本章小結(jié)
5 系統(tǒng)功能實現(xiàn)和測試
    5.1 系統(tǒng)部署環(huán)境
    5.2 系統(tǒng)功能實現(xiàn)
        5.2.1 熱門電影推薦列表
        5.2.2 個性化電影推薦列表
        5.2.3 用戶歷史記錄界面
        5.2.4 用戶信息管理界面
        5.2.5 電影信息管理界面
    5.3 系統(tǒng)運行效率測試
    5.4 與傳統(tǒng)協(xié)同過濾電影推薦系統(tǒng)對比
    5.5 本章小結(jié)
6 總結(jié)和展望
    6.1 工作總結(jié)
    6.2 未來展望
參考文獻
在學(xué)研究成果
致謝


【參考文獻】：
期刊論文
[1]基于Web挖掘的個性化視頻推薦系統(tǒng)設(shè)計與實現(xiàn)[J]. 湯偉.  電子設(shè)計工程. 2018(18)
[2]深度學(xué)習(xí)下的推薦系統(tǒng)研究[J]. 王濤,李明.  電腦知識與技術(shù). 2017(25)
[3]協(xié)同過濾推薦瓶頸問題研究[J]. 胡致杰,胡羽沫.  無線互聯(lián)科技. 2016(09)
[4]Spark平臺下基于上下文信息的影片混合推薦[J]. 繆雪峰,陳群輝,胡羅凱,劉進.  計算機工程與應(yīng)用. 2017(10)
[5]基于Hadoop的電子商務(wù)個性化推薦算法——以電影推薦為例[J]. 馬瑞敏,卞藝杰,陳超,吳慧.  計算機系統(tǒng)應(yīng)用. 2015(05)
[6]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報. 2012(02)
[7]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應(yīng)用. 2012(07)
[8]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報. 2009(02)
[9]信息超載綜述[J]. 周玲.  圖書情報工作. 2001(11)

博士論文
[1]基于排序?qū)W習(xí)的信息檢索模型研究[D]. 程凡.中國科學(xué)技術(shù)大學(xué) 2012

碩士論文
[1]基于生成對抗網(wǎng)絡(luò)的模糊圖像復(fù)原研究[D]. 張云飛.湘潭大學(xué) 2018
[2]基于Spark的實時電影推薦系統(tǒng)研究[D]. 張安.成都理工大學(xué) 2018
[3]基于Hadoop的海量數(shù)據(jù)處理模型研究和應(yīng)用[D]. 朱珠.北京郵電大學(xué) 2008



本文編號：3430708