現(xiàn)代社會已經(jīng)進(jìn)入了信息過載的時代,電商平臺、User Generated Content社區(qū)、在線教育等平臺每天都會產(chǎn)生海量的內(nèi)容數(shù)據(jù),用戶與內(nèi)容之間的交互也會產(chǎn)生大量的數(shù)據(jù)。因此如何幫助用戶過濾海量信息,幫助用戶快速的找到他們最可能感興趣的內(nèi)容或商品,是提升用戶體驗的關(guān)鍵。推薦系統(tǒng)作為一種信息過濾系統(tǒng),能夠結(jié)合用戶對物品的反饋信息,向用戶個性化的推薦他們可能感興趣的物品。但是隨著用戶和物品越來越多,數(shù)據(jù)量越來越大且數(shù)據(jù)越來越稀疏,推薦系統(tǒng)面臨著數(shù)據(jù)稀疏和海量數(shù)據(jù)帶來的推薦質(zhì)量降低、推薦的實時性下降等挑戰(zhàn)。為提升推薦系統(tǒng)的推薦質(zhì)量和用戶體驗,本文主要關(guān)注推薦算法和系統(tǒng)架構(gòu)的設(shè)計,用以改善和提升當(dāng)下推薦系統(tǒng)在數(shù)據(jù)稀疏和海量數(shù)據(jù)下的推薦質(zhì)量和推薦的實時性。首先,本文將介紹推薦系統(tǒng)研究的背景、意義和國內(nèi)外研究現(xiàn)狀。其次,介紹與本文工作相關(guān)的理論和系統(tǒng)開發(fā)技術(shù)。在此基礎(chǔ)上,進(jìn)行基于自然語言處理模型Skip-Gram的推薦算法研究,設(shè)計了一種基于Transform-Embedding-Recommender框架的LN-N2V-TW-CF推薦算法,并使用在線教育和電影數(shù)據(jù)集進(jìn)行推薦效果的驗證和測試... 

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀及分析
    1.3 本文工作和組織
第2章 基礎(chǔ)理論和相關(guān)技術(shù)
    2.1 網(wǎng)絡(luò)
        2.1.1 網(wǎng)絡(luò)定義
        2.1.2 網(wǎng)絡(luò)表現(xiàn)形式
        2.1.3 網(wǎng)絡(luò)表征學(xué)習(xí)
    2.2 自然語言處理模型Skip-Gram
        2.2.1 自然語言處理模型Skip-Gram介紹
        2.2.2 Skip-Gram模型應(yīng)用
    2.3 協(xié)同過濾推薦系統(tǒng)
        2.3.1 反饋數(shù)據(jù)的形式
        2.3.2 相似度計算
        2.3.3 基于記憶的協(xié)同過濾
        2.3.4 基于模型的協(xié)同過濾
        2.3.5 推薦系統(tǒng)的評價指標(biāo)
    2.4 系統(tǒng)開發(fā)技術(shù)
        2.4.1 Hadoop
        2.4.2 Spark
        2.4.3 Restful API
        2.4.4 Django后端框架
第3章 基于Skip-Gram模型的推薦算法框架研究與實現(xiàn)
    3.1 基于Skip-Gram模型的推薦算法框架研究
        3.1.1 Transform
        3.1.2 Embedding
        3.1.3 Recommender
    3.2 基于Skip-Gram模型的推薦算法框架實現(xiàn)
        3.2.1 軟件架構(gòu)設(shè)計
        3.2.2 軟件具體實現(xiàn)
    3.3 LN-N2V-CF推薦模型
    3.4 實驗設(shè)計
        3.4.1 實驗數(shù)據(jù)獲取
        3.4.2 實驗流程設(shè)計
        3.4.3 實驗推薦形式
        3.4.4 訓(xùn)練集測試集劃分
        3.4.5 實驗參數(shù)設(shè)置
    3.5 實驗結(jié)果與分析
        3.5.1 實驗結(jié)果
        3.5.2 分析與發(fā)現(xiàn)
    3.6 本章小結(jié)
第4章 基于學(xué)習(xí)網(wǎng)絡(luò)(Learning Networks)表征的LN-N2V-TW-CF推薦算法
    4.1 考慮時間權(quán)重對推薦效果的影響
    4.2 LN-N2V-TW-CF模型
    4.3 實驗設(shè)計與結(jié)果分析
    4.4 和傳統(tǒng)推薦算法的對比實驗
        4.4.1 對比算法選擇
        4.4.2 對比實驗設(shè)計
        4.4.3 實驗結(jié)果分析
    4.5 參數(shù)敏感性分析
        4.5.1 實驗與參數(shù)設(shè)置
        4.5.2 結(jié)論與分析
    4.6 LN-N2V-TW-CF算法綜合分析
    4.7 本章小結(jié)
第5章 實時推薦系統(tǒng)設(shè)計及應(yīng)用
    5.1 需求分析和系統(tǒng)架構(gòu)設(shè)計
        5.1.1 需求分析
        5.1.2 系統(tǒng)架構(gòu)設(shè)計
        5.1.3 開發(fā)技術(shù)選擇和開發(fā)環(huán)境配置
    5.2 分布式計算平臺Spark
        5.2.1 分布式計算平臺搭建
        5.2.2 Node2Vec-Spark-Enhanced的實現(xiàn)
    5.3 Django Restful API后端系統(tǒng)實現(xiàn)
        5.3.1 數(shù)據(jù)庫設(shè)計和部署
        5.3.2 Django Restful API設(shè)計與開發(fā)
    5.4 實時推薦系統(tǒng)后端
    5.5 推薦系統(tǒng)前端設(shè)計與應(yīng)用
    5.6 系統(tǒng)測試
        5.6.1 在大數(shù)據(jù)集上的Spark表征部分性能測試
        5.6.2 后端接口測試
        5.6.3 前端推薦頁面和交互測試
    5.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號：3709244