推薦系統(tǒng)對于在信息爆炸時代保持用戶對個性化推薦的參與度和滿意度至關(guān)重要。用戶期望在現(xiàn)代的電子商務(wù)、娛樂和社交媒體平臺中獲得個性化的內(nèi)容,而平臺則期望為用戶提供符合其需求的項目以提高用戶忠誠度。伴隨著網(wǎng)絡(luò)數(shù)據(jù)指數(shù)級的增長,傳統(tǒng)推薦技術(shù)存在的弊端日益凸顯。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展,其在推薦技術(shù)領(lǐng)域的價值被不斷發(fā)掘。為了緩解用戶交互數(shù)據(jù)缺少和無法推薦新項目對推薦性能的影響,將深度學(xué)習(xí)技術(shù)與推薦系統(tǒng)相結(jié)合,以充分挖掘用戶潛在興趣,提高系統(tǒng)推薦準(zhǔn)確度及用戶忠誠度。提出一種基于深度學(xué)習(xí)的混合推薦算法,充分利用用戶、項目顯性信息。針對一般屬性信息,利用深度神經(jīng)網(wǎng)絡(luò)提取用戶、項目特征;針對文本信息,利用添加自注意力機制的卷積神經(jīng)網(wǎng)絡(luò)提取項目文本特征,然后將用戶特征和項目特征輸入神經(jīng)矩陣分解模型。借助通用矩陣分解模型學(xué)習(xí)低階用戶項目關(guān)系,多層感知機學(xué)習(xí)高階用戶項目關(guān)系,模型的輸出即為預(yù)測評分。最后在Movielens-1M數(shù)據(jù)集上驗證該算法,并與多種算法進行對比,證明所提出的混合推薦算法能夠有效地緩解因交互數(shù)據(jù)稀疏和項目冷啟動問題對推薦效果的影響,提高評分預(yù)測的準(zhǔn)確性�；趯旌贤扑]算法的研究實現(xiàn),構(gòu)...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-1推薦系統(tǒng)一般流程圖

9華中科技大學(xué)碩士學(xué)位論文間傳播，在提高老用戶忠誠度的同時，也會為網(wǎng)站帶來更多新用戶，從而形成良好的循環(huán)。2.1.1推薦系統(tǒng)架構(gòu)衡量推薦系統(tǒng)好壞的重要指標(biāo)，就是判斷該系統(tǒng)能否在短時間內(nèi)產(chǎn)生符合用戶喜好的推薦結(jié)果，因此充分挖掘用戶偏好至關(guān)重要，其一般流程如圖2-1所示。信息數(shù)據(jù)是推....

圖2-2推薦算法常見分類示意圖

10華中科技大學(xué)碩士學(xué)位論文練時間較長，但是訓(xùn)練完成后，推薦過程比較快。對于數(shù)據(jù)密集且排列均勻的評分矩陣，協(xié)同過濾推薦具有優(yōu)秀的性能；但對于數(shù)據(jù)缺少且分布不均勻的評分矩陣而言，協(xié)同過濾無法正確提取特征信息，計算誤差較大[42]�；趦�(nèi)容的推薦算法，主要根據(jù)瀏覽記錄或者點贊、收藏記....

圖2-5評分矩陣圖

15華中科技大學(xué)碩士學(xué)位論文矩陣分解技術(shù)可以將高維稀疏矩陣，分解為兩個較低維的稠密矩陣，在一定程度上降低計算復(fù)雜度，且兩個低維矩陣的乘積接近初始矩陣。用U代指用戶，V代指項目，設(shè)定用戶——評分矩陣的維度為U×V，其中用戶使用U表示，項目使用V表示，其對應(yīng)的矩陣如圖2-5所示。由矩....

圖2-6特征矩陣圖

15華中科技大學(xué)碩士學(xué)位論文矩陣分解技術(shù)可以將高維稀疏矩陣，分解為兩個較低維的稠密矩陣，在一定程度上降低計算復(fù)雜度，且兩個低維矩陣的乘積接近初始矩陣。用U代指用戶，V代指項目，設(shè)定用戶——評分矩陣的維度為U×V，其中用戶使用U表示，項目使用V表示，其對應(yīng)的矩陣如圖2-5所示。由矩....

本文編號：3897856