隨著互聯(lián)網(wǎng)和計算機技術(shù)的不斷發(fā)展,電子商務(wù)極大的改變了人們的生活方式。面對各大電商平臺上豐富多彩的物品,如何將物品高效的“匹配”給需要它的用戶成為一個難題。解決上述問題不可或缺的工具是推薦系統(tǒng),巨大的購買能力和購買需求給了推薦系統(tǒng)工業(yè)價值。但是傳統(tǒng)的推薦技術(shù)難以有效的解決數(shù)據(jù)稀疏性、冷啟動、推薦實時性等問題,此外,在大數(shù)據(jù)背景下推薦系統(tǒng)的工程實施也一直是領(lǐng)域內(nèi)的研究難點與熱點。為了解決上述問題,依托深度神經(jīng)網(wǎng)絡(luò)在智能推薦領(lǐng)域的廣泛應(yīng)用,本文首先提出了一個利用長短期記憶（Long Short-Term Memory,LSTM）網(wǎng)絡(luò)和多層感知機（Multi-Layer Perceptron,MLP）的深度神經(jīng)網(wǎng)絡(luò)模型,緩解評級矩陣稀疏性問題、用戶與項目冷啟動問題。然后使用側(cè)面情感聯(lián)合模型（Aspect and Sentiment Unification Model,ASUM）挖掘用戶的情感主題調(diào)整推薦列表順序使得推薦更加個性化。最后,在所提出的的推薦模型基礎(chǔ)上,結(jié)合大數(shù)據(jù)技術(shù)設(shè)計實現(xiàn)演藝交易系統(tǒng)。本文的主要工作包括以下內(nèi)容:（1）提出了一個特征融合的深度神經(jīng)網(wǎng)絡(luò)模型（Feature Fus... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)和知識
    2.1 推薦系統(tǒng)概述
        2.1.1 推薦系統(tǒng)簡介
        2.1.2 推薦算法
    2.2 推薦系統(tǒng)評價指標(biāo)
        2.2.1 預(yù)測準(zhǔn)確度指標(biāo)
        2.2.2 分類準(zhǔn)確度指標(biāo)
    2.3 大數(shù)據(jù)相關(guān)技術(shù)
        2.3.1 Hadoop分布式計算框架
        2.3.2 Spark分布式并行計算框架
    2.4 本章小結(jié)
第三章 特征融合深度神經(jīng)網(wǎng)絡(luò)模型
    3.1 特征融合深度神經(jīng)網(wǎng)絡(luò)模型
        3.1.1 模型框架
        3.1.2 模型搭建與訓(xùn)練
    3.2 實驗結(jié)果與分析
        3.2.1 數(shù)據(jù)集介紹
        3.2.2 實驗方案
        3.2.3 實驗環(huán)境
        3.2.4 預(yù)訓(xùn)練
        3.2.5 實驗結(jié)果分析
    3.3 本章小結(jié)
第四章 基于用戶情感主題的提取方法
    4.1 側(cè)面情感聯(lián)合模型介紹
    4.2 基于用戶情感主題提取方法
        4.2.1 評論文本處理
        4.2.2 提取用戶情感主題概率分布
        4.2.3 產(chǎn)生推薦結(jié)果
    4.3 本章小結(jié)
第五章 基于個性化推薦的演藝通的設(shè)計與實現(xiàn)
    5.1 系統(tǒng)需求分析
        5.1.1 功能需求
        5.1.2 非功能需求
    5.2 系統(tǒng)架構(gòu)設(shè)計
    5.3 系統(tǒng)功能結(jié)構(gòu)圖
    5.4 系統(tǒng)關(guān)鍵模塊實現(xiàn)
        5.4.1 HBase數(shù)據(jù)存儲模塊
        5.4.2 基于TensorflowOnSpark的數(shù)據(jù)處理模型
    5.5 系統(tǒng)環(huán)境配置
        5.5.1 分布式集群的搭建
        5.5.2 Web開發(fā)環(huán)境的配置
    5.6 客戶端功能實現(xiàn)
        5.6.1 首頁展示
        5.6.2 購物功能實現(xiàn)
        5.6.3 推薦功能實現(xiàn)
    5.7 后臺管理系統(tǒng)功能實現(xiàn)
    5.8 系統(tǒng)測試方案及結(jié)果分析
    5.9 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于Ambari的Hadoop集群部署實驗的設(shè)計與實現(xiàn)[J]. 唐磊.  信息記錄材料. 2017(11)
[2]矩陣補全模型及其算法研究綜述[J]. 陳蕾,陳松燦.  軟件學(xué)報. 2017(06)
[3]面向相似App推薦的列表式多核相似性學(xué)習(xí)算法[J]. 卜寧,牛樹梓,馬文靜,龍國平.  計算機系統(tǒng)應(yīng)用. 2017(01)
[4]一種改進(jìn)的基于內(nèi)容的個性化推薦模型[J]. 閆東東,李紅強.  軟件導(dǎo)刊. 2016(04)
[5]面向產(chǎn)品評論分析的短文本情感主題模型[J]. 熊蜀峰,姬東鴻.  自動化學(xué)報. 2016(08)
[6]移動社交網(wǎng)站中的信息過載與個性化推薦機制研究[J]. 王娜,任婷.  情報雜志. 2015(08)
[7]推薦系統(tǒng)研究進(jìn)展[J]. 朱揚勇,孫婧.  計算機科學(xué)與探索. 2015(05)
[8]結(jié)合社會化標(biāo)簽的基于內(nèi)容的推薦算法[J]. 江周峰,楊俊,鄂海紅.  軟件. 2015(01)
[9]MapReduce優(yōu)化技術(shù)綜述[J]. 黃山,王波濤,王國仁,于戈,李佳佳.  計算機科學(xué)與探索. 2013(10)
[10]基于關(guān)聯(lián)規(guī)則與標(biāo)簽的好友推薦算法[J]. 胡文江,胡大偉,高永兵,郝斌.  計算機工程與科學(xué). 2013(02)

博士論文
[1]協(xié)同過濾系統(tǒng)的稀疏性與冷啟動問題研究[D]. 孫小華.浙江大學(xué) 2005



本文編號：3485451