個性化推薦系統(tǒng)通過分析用戶在網(wǎng)絡中產生的評分、評論等行為數(shù)據(jù),學習用戶偏好特征,為單個用戶提供精準化推薦,然而在現(xiàn)實生活中,用戶往往以群組（團購、外出旅游）的形式出現(xiàn),如何為群組進行推薦成為近年來的研究熱點。現(xiàn)有群組推薦算法大多給定群組劃分結果后,融合組內成員偏好進行推薦。然而在多數(shù)情況下用戶所屬的群組難以確定,并且由于群組劃分結果會直接影響到群組推薦的性能好壞,因此在群組推薦算法中用戶群組劃分顯得尤為重要。本文從群組推薦算法的群組劃分和群組推薦兩方面入手,分析現(xiàn)有算法存在的問題,分別提出了基于GRU-CNN的密度峰值聚類群組劃分算法和基于領袖機制的群組推薦算法。（1）在群組劃分階段,現(xiàn)有群組劃分算法大都存在以下問題,第一,僅利用用戶靜態(tài)偏好特征發(fā)現(xiàn)網(wǎng)絡中的群組結構,忽視了用戶興趣會隨時間的變化而發(fā)生遷移,第二,利用從評論中提取的用戶主題特征進行群組劃分,難以挖掘用戶評論文本的深度特征。針對上述問題,本文提出一種基于GRU-CNN的密度峰值聚類群組劃分算法,首先利用潛在的狄利克雷主題模型對用戶評論進行主題分析,提取出評論中有代表性的的主題詞,然后基于門控循環(huán)神經網(wǎng)絡對評論主題的時序信息... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

016-2020中國團購用戶規(guī)模及預測

碩士學位論文201x2xy21yneuronneuronneuronneuronneuron圖2-9多層神經網(wǎng)絡結構Figure2-9Multi-layerneuralnetworkstructure卷積神經網(wǎng)絡（ConvolutionalNeuralNetwork，CNN）作為深度神經網(wǎng)絡的一種變體，通過池化操作減少神經網(wǎng)絡中的神經元數(shù)量，同時對輸入空間的平移不變性具有更高的魯棒性[19]，也因此CNN最早被提出并應用于在圖像處理領域。近年來，卷積神經網(wǎng)絡已成為推薦系統(tǒng)中的研究熱點，主要從文本、圖像、音頻文件中提取用戶或者物品的深層次特征進行推薦[63][64][65]。CNN通常由輸入層、卷積層、池化層、全連接層以及輸出層組成，其中卷積操作和池化操作可以根據(jù)需要重復多次。為了更好的理解CNN，本節(jié)以圖像處理為例，對CNN架構進行介紹，其框架圖如圖2-10所示：圖2-10卷積神經網(wǎng)絡架構Figure2-10CNNstructure（1）輸入層不同于其它機器學習方法，神經網(wǎng)絡不需要依靠人工手動進行特征提取，它可以自動從圖像中提取特征。在處理圖像時，直接將圖像的像素矩陣mn作為輸入。（2）卷積層卷積層使用多個卷積核對輸入層的數(shù)據(jù)進行特征提取，不同的卷積核可以針對性提取圖像中的不同的特征，卷積核的移動步長需要根據(jù)經驗進行人工設定，對某一卷積核Wk來說，該卷積核下隱藏層中某一節(jié)點計算公式如下：

碩士學位論文22時序相關的數(shù)據(jù)具有天然優(yōu)勢，能夠挖掘出時序數(shù)據(jù)中的潛在變化規(guī)律，因此常用來進行預測任務，例如股價預測、天氣變化規(guī)律等。ohxWUVUnfoldOt-1ht-1Xt-1UVothtXtUVOt+1ht+1Xt+1UVWWWW圖2-12循環(huán)神經網(wǎng)絡結構Figure2-12RNNstructure文獻[66]采用循環(huán)神經網(wǎng)絡建模用戶偏好和項目特征的演化，提出了一種循環(huán)推薦網(wǎng)絡，能夠預測用戶未來的行為軌跡。理論上，RNN可以對任意長度的時間序列進行記憶，但是隨著時間跨度不斷增大，RNN會喪失對遠處單元的記憶能力。這樣會導致提取到的用戶興趣偏好更多的依賴用戶近期訪問的項目，不能全面刻畫用戶興趣偏好。長短期記憶網(wǎng)絡（LongShortTermMemory，LSTM）和門控循環(huán)單元（GatedRecurrentUnit，GRU）作為RNN的變種，通過使用門結構來改善RNN短期記憶的缺點，在保留長期序列信息下避免梯度消失問題。文獻[67][68]詳細對比了LSTM和GRU以及傳統(tǒng)的RNN的異同，探討了這些結構的好處。論文還用實驗證明了相同個數(shù)參數(shù)的情況下，GRU會比LSTM稍好一些。因此，本文利用GRU來處理用戶評論主題的時序信息。GRU模型的基本結構如圖2-13所示。圖2-13門控循環(huán)單元結構Figure2-13GRUstructure

【參考文獻】：
期刊論文
[1]基于聯(lián)合概率矩陣分解的群推薦方法研究[J]. 王剛,蔣軍,王含茹,楊善林.  計算機學報. 2019(01)
[2]基于網(wǎng)絡節(jié)點中心性度量的重疊社區(qū)發(fā)現(xiàn)算法[J]. 杜航原,王文劍,白亮.  計算機研究與發(fā)展. 2018(08)
[3]一種基于社區(qū)專家信息的協(xié)同過濾推薦算法[J]. 張凱涵,梁吉業(yè),趙興旺,王智強.  計算機研究與發(fā)展. 2018(05)
[4]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[5]基于動態(tài)卷積概率矩陣分解的潛在群組推薦[J]. 王海艷,董茂偉.  計算機研究與發(fā)展. 2017(08)
[6]基于文本與社交信息的用戶群組識別[J]. 王中卿,李壽山,周國棟.  軟件學報. 2017(09)
[7]社交網(wǎng)絡中快速群組生成及群組推薦研究[J]. 金濤,謝瑾奎,楊宗源.  小型微型計算機系統(tǒng). 2017(03)
[8]基于動態(tài)主題模型融合多維數(shù)據(jù)的微博社區(qū)發(fā)現(xiàn)算法[J]. 劉冰玉,王翠榮,王聰,王軍偉,王興偉,黃敏.  軟件學報. 2017(02)
[9]融合社區(qū)結構和興趣聚類的協(xié)同過濾推薦算法[J]. 郭弘毅,劉功申,蘇波,孟魁.  計算機研究與發(fā)展. 2016(08)
[10]融合社交網(wǎng)絡信息的協(xié)同過濾推薦算法[J]. 郭蘭杰,梁吉業(yè),趙興旺.  模式識別與人工智能. 2016(03)

博士論文
[1]考慮社會網(wǎng)絡的模糊群決策方法及其商務推薦應用[D]. 楚俊峰.東南大學 2017
[2]動態(tài)用戶興趣模型構建及推薦算法研究[D]. 馮浩源.天津大學 2017

碩士論文
[1]個性化推薦系統(tǒng)中冷啟動問題研究[D]. 雷秋雨.北京交通大學 2019
[2]基于手機傳感器的群組識別及監(jiān)測方法研究[D]. 楊靜雯.西安電子科技大學 2019
[3]基于內容和用戶行為的個性化微博推薦算法研究與實現(xiàn)[D]. 張川.北京郵電大學 2018
[4]LBSN融合用戶群聚度與活躍度的群體推薦方法研究[D]. 陳翠平.重慶郵電大學 2017
[5]基于群組關系的推薦算法研究與應用[D]. 曾雪琳.北京郵電大學 2017
[6]存在社會影響的群體推薦用戶建模研究[D]. 李嬡嬡.天津大學 2014



本文編號：2999221