近年來(lái),互聯(lián)網(wǎng)的快速發(fā)展使得在線系統(tǒng)中的信息呈爆炸式增長(zhǎng),而人們對(duì)個(gè)性化信息的需求越來(lái)越強(qiáng)烈。推薦系統(tǒng)已成為海量信息過(guò)濾和精準(zhǔn)呈現(xiàn)的有效工具,在電子商務(wù)網(wǎng)站和其他在線內(nèi)容消費(fèi)系統(tǒng)中的應(yīng)用也越來(lái)越廣泛。常見推薦算法是協(xié)同過(guò)濾算法,以及基于矩陣分解的改進(jìn)算法,但是大多數(shù)方法都是基于評(píng)級(jí)預(yù)測(cè)模式,忽略了用戶行為的時(shí)間上下文和循環(huán)模式,也沒有綜合考慮多種情況下的用戶行為特征;同時(shí),推薦中的矩陣稀疏問(wèn)題和可擴(kuò)展性問(wèn)題還需要進(jìn)一步改進(jìn)。本文提出了基于多特征融合分析的推薦模型,旨在綜合考慮循環(huán)模式下多種用戶行為的時(shí)間上下文,并且在考慮多個(gè)顯性特征的同時(shí)也將隱性特征融合進(jìn)來(lái)進(jìn)行分析,減輕推薦系統(tǒng)研究中的矩陣稀疏和可擴(kuò)展性問(wèn)題,進(jìn)一步提高推薦系統(tǒng)的精度。在線系統(tǒng)每天產(chǎn)生大規(guī)模的用戶行為日志,例如購(gòu)物、社交、音樂、視頻軟件中的活動(dòng)記錄,我們統(tǒng)稱為用戶在線消費(fèi)行為記錄。對(duì)于在線內(nèi)容消費(fèi)系統(tǒng)中的用戶行為,在本文中我們分為:時(shí)序基礎(chǔ)上的用戶長(zhǎng)期行為,用戶習(xí)慣改變產(chǎn)生的近期短期行為,以及當(dāng)時(shí)流行因素對(duì)用戶行為影響而產(chǎn)生的流行元素下用戶行為。由此我們可以得到按時(shí)間排列的長(zhǎng)期用戶活動(dòng)序列、短期用戶活動(dòng)序列;通過(guò)考慮流...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀及關(guān)鍵技術(shù)
        1.2.1 研究現(xiàn)狀
        1.2.2 傳統(tǒng)推薦算法研究
        1.2.3 神經(jīng)網(wǎng)絡(luò)研究
        1.2.4 隱語(yǔ)義模型LFM研究
    1.3 研究?jī)?nèi)容及章節(jié)安排
        1.3.1 本文的研究?jī)?nèi)容
        1.3.2 本文的章節(jié)安排
第二章 循環(huán)神經(jīng)網(wǎng)絡(luò)消費(fèi)模型的設(shè)計(jì)與實(shí)現(xiàn)
    2.1 常用用戶行為預(yù)測(cè)方法分析
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)消費(fèi)模型RNNCM的設(shè)計(jì)與實(shí)現(xiàn)
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)消費(fèi)模型RNNCM介紹
        2.2.2 RNNCM模型的分析過(guò)程
        2.2.3 RNNCM模型算法描述
        2.2.4 RNNCM模型的創(chuàng)新點(diǎn)和難點(diǎn)
    2.3 實(shí)驗(yàn)與分析
        2.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        2.3.2 數(shù)據(jù)預(yù)處理
        2.3.3 評(píng)價(jià)指標(biāo)
        2.3.4 實(shí)驗(yàn)結(jié)果和分析
    2.4 本章小結(jié)
第三章 多特征融合分析的推薦模型的設(shè)計(jì)與實(shí)現(xiàn)
    3.1 多特征融合分析的推薦模型的設(shè)計(jì)與實(shí)現(xiàn)
        3.1.1 BPNN消費(fèi)模型介紹
        3.1.2 多特征融合分析的推薦模型RNN_BPNN-CM介紹
        3.1.3 RNN_BPNN-CM算法描述
        3.1.4 RNN_BPNN-CM的創(chuàng)新點(diǎn)和難點(diǎn)
    3.2 實(shí)驗(yàn)結(jié)果和分析
        3.2.1 長(zhǎng)期行為序列長(zhǎng)度的選擇
        3.2.2 RNN_BPNN-CM與基線模型的比較
        3.2.3 RNN_BPNN-CM與RNN(GRU)CM的對(duì)比
    3.3 本章小結(jié)
第四章 隱語(yǔ)義模型優(yōu)化多特征融合分析的推薦模型
    4.1 改進(jìn)的多特征融合分析的推薦模型的設(shè)計(jì)與實(shí)現(xiàn)
        4.1.1 構(gòu)建評(píng)分矩陣
        4.1.2 改進(jìn)的多特征融合分析的推薦模型介紹
        4.1.3 改進(jìn)的多特征融合分析的推薦模型的算法描述
        4.1.4 改進(jìn)的多特征融合分析的推薦模型的創(chuàng)新點(diǎn)和難點(diǎn)
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 RNN_BPNN_MF_CF-CM與基線模型的比較
        4.2.2 RNN_BPNN_MF_CF-CM與RNN_BPNN_CM的比較
    4.3 本章小結(jié)
第五章 多特征融合分析的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 系統(tǒng)框架設(shè)計(jì)
    5.2 模塊描述
        5.2.1 數(shù)據(jù)輸入模塊
        5.2.2 RNN_BPNN-CM模塊
        5.2.3 RNN_BPNN_MF_CF-CM模塊
    5.3 系統(tǒng)實(shí)現(xiàn)
    5.4 系統(tǒng)驗(yàn)證
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)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3835162