推薦系統(tǒng)是使用用戶已經(jīng)存在的挑選過(guò)程或項(xiàng)目間相似關(guān)系,來(lái)發(fā)掘目標(biāo)用戶隱藏的偏好信息或物品,因此具有緩解日益嚴(yán)重的“信息過(guò)載”問(wèn)題的能力,導(dǎo)致獲得學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注并在電子商務(wù)、在線學(xué)習(xí)和數(shù)字圖書(shū)館等領(lǐng)域加以應(yīng)用。推薦系統(tǒng)的核心是推薦算法,在目前流行的推薦算中,用戶興趣的預(yù)測(cè)需要大量用戶評(píng)分、評(píng)論、信任值等這類(lèi)明確反應(yīng)用戶興趣愛(ài)好的主觀性數(shù)據(jù)。但主觀性數(shù)據(jù)常常比較稀疏,會(huì)制約推薦算法的推薦質(zhì)量,這要求研究人員挖掘更多的用戶行為中的存在的隱藏信息來(lái)優(yōu)化推薦算法。本文針對(duì)用戶歷史行為中隱藏的上下序關(guān)系展開(kāi)研究,在用戶的歷史行為記錄中,行為與行為存在一定的關(guān)聯(lián)性,本文經(jīng)由提取行為間的語(yǔ)意關(guān)系來(lái)映射行為間的相似性。語(yǔ)意關(guān)系的提取采用目前自然語(yǔ)言處理中效果最好的Word2vec技術(shù)。Word2vec以內(nèi)容語(yǔ)義計(jì)算行為間相似度,其中作為單詞的行為內(nèi)容被映射到向量空間中,并且向量之間的歐幾里德距離被描述為行為之間的相似度。在基于Word2vec的項(xiàng)目語(yǔ)意特征提取中,本文提出融合內(nèi)容語(yǔ)義和用戶評(píng)分的推薦模型,在該模型中,首先收集用戶的歷史行為,將所有用戶行為添加進(jìn)空白詞典來(lái)建立用戶行為詞典,然后由... 

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 本文研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究?jī)?nèi)容及創(chuàng)新
    1.4 論文組織結(jié)構(gòu)
第二章 推薦算法及相關(guān)理論
    2.1 引言
    2.2 基于內(nèi)容的推薦
    2.3 基于協(xié)同過(guò)濾的推薦
        2.3.1 基于用戶的協(xié)同過(guò)濾算法
        2.3.2 基于項(xiàng)目的協(xié)同過(guò)濾算法
    2.4 推薦系統(tǒng)評(píng)價(jià)指標(biāo)
        2.4.1 準(zhǔn)確度
        2.4.2 覆蓋率
        2.4.3 多樣性
    2.5 本章小結(jié)
第三章 Word2vec技術(shù)介紹
    3.1 引言
    3.2 Word2vec技術(shù)原理
    3.3 CBOW模型流程舉例
        3.3.1 One-hot向量
        3.3.2 激活函數(shù)
        3.3.3 CBOW模型訓(xùn)練實(shí)例
    3.4 Word2vec的優(yōu)化框架
        3.4.1 基于層次Softmax框架的CBOW模型
        3.4.2 基于負(fù)采樣框架的CBOW模型
    3.5 本章小結(jié)
第四章 基于Word2vec的推薦模型
    4.1 引言
    4.2 模型推薦原理
    4.3 模型設(shè)計(jì)
        4.3.1 基于用戶行為序列的推薦
        4.3.2 基于評(píng)分和模型的推薦
    4.4 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
        4.4.1 數(shù)據(jù)集選取
        4.4.2 評(píng)價(jià)指標(biāo)
        4.4.3 參數(shù)調(diào)優(yōu)過(guò)程
        4.4.4 Word2vec優(yōu)化框架選擇
        4.4.5 Word2vec模型選擇
        4.4.6 基于評(píng)分的推薦效果
        4.4.7 數(shù)據(jù)稀疏問(wèn)題緩解作用
        4.4.8 基于模型的推薦效果
        4.4.9 實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.5 本章小結(jié)
第五章 基于關(guān)鍵詞的推薦
    5.1 算法原理及設(shè)計(jì)
    5.2 實(shí)驗(yàn)結(jié)果
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
碩士期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[J]. 孟祥武,紀(jì)威宇,張玉潔.  北京郵電大學(xué)學(xué)報(bào). 2015(02)
[2]一種結(jié)合推薦對(duì)象間關(guān)聯(lián)關(guān)系的社會(huì)化推薦算法[J]. 郭磊,馬軍,陳竹敏,姜浩然.  計(jì)算機(jī)學(xué)報(bào). 2014(01)
[3]基于時(shí)序行為的協(xié)同過(guò)濾推薦算法[J]. 孫光福,吳樂(lè),劉淇,朱琛,陳恩紅.  軟件學(xué)報(bào). 2013(11)
[4]社會(huì)網(wǎng)絡(luò)環(huán)境下的協(xié)同推薦方法[J]. 李慧,胡云,施珺.  計(jì)算機(jī)應(yīng)用. 2013(11)
[5]基于社會(huì)網(wǎng)絡(luò)分析的協(xié)同推薦方法改進(jìn)[J]. 馮勇,李軍平,徐紅艷,黨曉婉.  計(jì)算機(jī)應(yīng)用. 2013(03)
[6]基于用戶聚類(lèi)的異構(gòu)社交網(wǎng)絡(luò)推薦算法[J]. 陳克寒,韓盼盼,吳健.  計(jì)算機(jī)學(xué)報(bào). 2013(02)
[7]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[8]基于動(dòng)態(tài)k近鄰的SlopeOne協(xié)同過(guò)濾推薦算法[J]. 孫麗梅,李晶皎,孫煥良.  計(jì)算機(jī)科學(xué)與探索. 2011(09)
[9]不確定近鄰的協(xié)同過(guò)濾推薦算法[J]. 黃創(chuàng)光,印鑒,汪靜,劉玉葆,王甲海.  計(jì)算機(jī)學(xué)報(bào). 2010(08)
[10]個(gè)性化服務(wù)技術(shù)綜述[J]. 曾春,邢春曉,周立柱.  軟件學(xué)報(bào). 2002(10)



本文編號(hào)：3717644