推薦系統(tǒng)是大數(shù)據(jù)及智能信息時(shí)代下應(yīng)運(yùn)而生的產(chǎn)物,已經(jīng)成功應(yīng)用到商品推薦、美食推薦、旅游推薦、視頻推薦、社交推薦等各種場景。目前,大部分推薦系統(tǒng)更多關(guān)注的是顯式反饋,然而在實(shí)際應(yīng)用中隱式反饋遠(yuǎn)比顯式反饋豐富,甚至在一些場景中只能獲取到隱式反饋,因此基于隱式反饋推薦的重要性不言而喻。同時(shí),傳統(tǒng)的基于隱式反饋的推薦算法大都忽略了時(shí)間因素對推薦結(jié)果的影響。針對以上問題,本文改進(jìn)了兩個(gè)場景下的推薦算法,設(shè)計(jì)了一個(gè)兒童視頻的推薦系統(tǒng)。具體工作如下:(1)針對傳統(tǒng)的時(shí)間權(quán)重算法沒有挖掘到用戶“先快后慢”遺忘規(guī)律的問題,本文設(shè)計(jì)了一個(gè)時(shí)間窗函數(shù),改進(jìn)了傳統(tǒng)的時(shí)間權(quán)重策略,并將改進(jìn)的時(shí)間權(quán)重策略融合進(jìn)快速矩陣分解算法中,最后在兩個(gè)公開數(shù)據(jù)集上進(jìn)行對比實(shí)驗(yàn),驗(yàn)證了改進(jìn)算法的可行性和有效性。(2)針對傳統(tǒng)的GRU模型忽略了時(shí)間序列數(shù)據(jù)中用戶點(diǎn)擊商品時(shí)間的問題,本文在傳統(tǒng)GRU模型中加入了時(shí)間門,提出了一種Time-GRU模型,并且探究了兩種損失函數(shù)對Time-GRU模型的影響。通過實(shí)驗(yàn),驗(yàn)證了加入時(shí)間門的GRU模型在推薦任務(wù)中的有效性。(3)本文基于B/S架構(gòu)設(shè)計(jì)了一個(gè)兒童視頻的推薦系統(tǒng),并將以上改進(jìn)的算法...

【文章頁數(shù)】：82 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)推薦算法的研究現(xiàn)狀
    1.3 推薦系統(tǒng)面臨的挑戰(zhàn)
    1.4 本文的研究內(nèi)容
    1.5 本文的結(jié)構(gòu)框架
第二章 個(gè)性化推薦算法相關(guān)理論
    2.1 引言
    2.2 基于內(nèi)容的推薦算法
    2.3 基于協(xié)同過濾的推薦算法
        2.3.1 基于用戶的協(xié)同過濾
        2.3.2 基于物品的協(xié)同過濾
        2.3.3 基于模型的協(xié)同過濾
    2.4 混合推薦算法
    2.5 深度學(xué)習(xí)推薦算法
        2.5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
        2.5.2 長短期記憶網(wǎng)絡(luò)LSTM
        2.5.3 門控循環(huán)單元網(wǎng)絡(luò)GRU
    2.6 本章小結(jié)
第三章 具有時(shí)間效應(yīng)的快速矩陣分解算法
    3.1 引言
    3.2 傳統(tǒng)的基于隱式反饋的快速矩陣分解方法
        3.2.1 傳統(tǒng)的矩陣分解模型
        3.2.2 統(tǒng)一權(quán)重的快速矩陣分解模型
        3.2.3 基于流行度的快速矩陣分解模型
    3.3 具有時(shí)間效應(yīng)的隱式快速矩陣分解算法
        3.3.1 傳統(tǒng)的時(shí)間權(quán)重方法
        3.3.2 改進(jìn)的時(shí)間權(quán)重方法
        3.3.3 融合時(shí)間效應(yīng)的FLFM-DT算法
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 實(shí)驗(yàn)設(shè)計(jì)
        3.4.2 實(shí)驗(yàn)結(jié)果分析
    3.5 本章小結(jié)
第四章 具有時(shí)間感知的循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.1 引言
    4.2 網(wǎng)絡(luò)單元結(jié)構(gòu)Time-LSTM
    4.3 改進(jìn)的網(wǎng)絡(luò)單元結(jié)構(gòu)Time-GRU
        4.3.1 時(shí)間門
        4.3.2 網(wǎng)絡(luò)單元結(jié)構(gòu)Time-GRU
    4.4 Time-GRU在推薦系統(tǒng)中的應(yīng)用
        4.4.1 模型框架
        4.4.2 模型訓(xùn)練策略
        4.4.3 模型損失函數(shù)
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)設(shè)計(jì)
        4.5.2 實(shí)驗(yàn)結(jié)果分析
    4.6 本章小結(jié)
第五章 基于兒童視頻的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 引言
    5.2 需求分析
    5.3 網(wǎng)絡(luò)爬蟲
        5.3.1 數(shù)據(jù)格式定義
        5.3.2 爬蟲規(guī)則Spider定義
        5.3.3 存儲(chǔ)數(shù)據(jù)
    5.4 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
        5.4.1 推薦系統(tǒng)架構(gòu)設(shè)計(jì)
        5.4.2 數(shù)據(jù)庫設(shè)計(jì)
        5.4.3 系統(tǒng)實(shí)現(xiàn)
    5.5 系統(tǒng)的部署與測試
        5.5.1 系統(tǒng)的部署
        5.5.2 系統(tǒng)的測試
    5.6 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果
致謝



本文編號(hào)：3837767