推薦系統(tǒng)（Recommendation System,簡稱RS）利用用戶-項目歷史交互記錄來學(xué)習(xí)用戶潛在個性化偏好以及項目潛在屬性特征,從而幫助用戶準(zhǔn)確快速地定位到目標(biāo)內(nèi)容信息。協(xié)同過濾是在推薦領(lǐng)域應(yīng)用中應(yīng)用最早、影響范圍最廣泛的方法,其中,矩陣分解算法是協(xié)同過濾推薦中最具有代表性的算法,矩陣分解技術(shù)將用戶和項目的信息映射到同一維度的潛在因子向量空間中,通過內(nèi)積的形式來結(jié)合用戶以及項目的潛在特征,然而通過內(nèi)積來擬合用戶偏好與項目特征之間的關(guān)系在一定程度上限制了模型的表現(xiàn)力。神經(jīng)協(xié)同過濾使用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來建模用戶和項目的潛在特征,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)代替內(nèi)積,可以從數(shù)據(jù)之中學(xué)習(xí)任意函數(shù),突破了內(nèi)積所帶來的限制,從而提高了模型的非線性建模能力。輔助信息在推薦系統(tǒng)完善用戶-項目交互起著至關(guān)重要的作用,如能將更多的輔助信息引入到神經(jīng)協(xié)同過濾模型中,則可以從更多的維度完善項目的屬性特征,建立更具語義、更準(zhǔn)確、更個性化、有效緩解冷啟動問題的推薦模型。如,鄰域信息在電影推薦中可以幫助用戶發(fā)現(xiàn)新的題材或新演員及導(dǎo)演的電影,基于鄰域信息的方法通常簡單、有效,并且能夠提供準(zhǔn)確及個性化的推薦,而廣泛用于協(xié)同過濾推薦... 

【文章來源】：重慶大學(xué)重慶市211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
英文摘要
1 緒論
    1.1 研究背景和意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究目標(biāo)和研究內(nèi)容
    1.3 本文的結(jié)構(gòu)安排
2 推薦領(lǐng)域相關(guān)知識
    2.1 推薦系統(tǒng)中面臨的問題
    2.2 研究的相關(guān)知識和工作
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 詞嵌入技術(shù)
    2.3 本章小結(jié)
3 神經(jīng)協(xié)同過濾
    3.1 矩陣分解
        3.1.1 矩陣分解技術(shù)
        3.1.2 內(nèi)積的局限性
    3.2 神經(jīng)協(xié)同過濾
        3.2.1 神經(jīng)協(xié)同過濾通用框架
        3.2.2 廣義矩陣分解(General Matrix Factorization,GMF)
        3.2.3 多層感知器(Multi-Layer Perceptron,MLP)
        3.2.4 神經(jīng)矩陣分解(Neural Matrix Factorization,NeuMF)
    3.3 本章小結(jié)
4 融合文本、標(biāo)簽與鄰域信息的神經(jīng)協(xié)同過濾
    4.1 鄰域信息
    4.2 標(biāo)簽信息
    4.3 文本特征的提取
    4.4 模型框架與訓(xùn)練
        4.4.1 模型框架
        4.4.2 模型訓(xùn)練
    4.5 本章小結(jié)
5 實驗結(jié)果和分析
    5.1 實驗數(shù)據(jù)集及實驗設(shè)置
        5.1.1 實驗數(shù)據(jù)集
        5.1.2 預(yù)處理
        5.1.3 實驗設(shè)置
    5.2 評價指標(biāo)體系
    5.3 與其他推薦方法的比較
    5.4 實驗結(jié)果和分析
        5.4.1 完全冷啟動場景下的性能評價
        5.4.2 非完全冷啟動場景下的性能評價
        5.4.3 一般場景下的性能評價
    5.5 本章小結(jié)
6 工作總結(jié)和展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
附錄
    A. 作者在攻讀學(xué)位期間成果目錄
    B.作者在攻讀學(xué)位期間參加的項目
    C.學(xué)位論文數(shù)據(jù)集
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于矩陣填充和物品可預(yù)測性的協(xié)同過濾算法[J]. 潘濤濤,文鋒,劉勤讓.  自動化學(xué)報. 2017(09)
[2]融合類別信息和用戶興趣度的協(xié)同過濾推薦算法[J]. 何明,肖潤,劉偉世,孫望.  計算機(jī)科學(xué). 2017(08)
[3]基于SVD與模糊聚類的協(xié)同過濾推薦算法[J]. 林建輝,嚴(yán)宣輝,黃波.  計算機(jī)系統(tǒng)應(yīng)用. 2016(11)
[4]基于隱語義模型的協(xié)同過濾圖書推薦方法[J]. 孫艷,朱玉全,陳耿.  信息技術(shù). 2015(11)
[5]基于用戶聲譽的魯棒協(xié)同推薦算法[J]. 張燕平,張順,錢付蘭,張以文.  自動化學(xué)報. 2015(05)
[6]一種改進(jìn)的slope one推薦算法研究[J]. 柴華,劉建毅.  信息網(wǎng)絡(luò)安全. 2015(02)
[7]分步填充緩解數(shù)據(jù)稀疏性的協(xié)同過濾算法[J]. 張玉芳,代金龍,熊忠陽.  計算機(jī)應(yīng)用研究. 2013(09)



本文編號：3639276