隨著線上信息數(shù)據(jù)的大量增長,“信息過載”成為不可忽略的問題,推薦系統(tǒng)是克服此問題有效的手段之一。其中,用戶與商品間關(guān)系的建模在推薦系統(tǒng)中扮演著重要的角色。但現(xiàn)存的方法中,大多數(shù)模型是采用了一種線性的方式對此建模,這可能會(huì)限制模型的性能。盡管最近的一些工作已經(jīng)運(yùn)用深度學(xué)習(xí)技術(shù)去捕捉用戶與商品間的非線性關(guān)系。但當(dāng)神經(jīng)網(wǎng)絡(luò)被使用時(shí),這里仍存在兩個(gè)潛在的問題。第一個(gè)問題是隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加,整體算法的復(fù)雜度會(huì)增加的非�？�。第二個(gè)問題是更深的網(wǎng)絡(luò)結(jié)構(gòu)可能會(huì)降低模型的準(zhǔn)確率。在另一方面,多評分信息也被用于提升全局評分預(yù)測的準(zhǔn)確率。對于基于多領(lǐng)域評分的推薦系統(tǒng),如何從全局評分與多領(lǐng)域評分中挖掘出潛在信息,是目前研究中最重要的目標(biāo)之一。盡管遷移學(xué)習(xí)成功的被應(yīng)用于基于社交的推薦系統(tǒng),基于地理位置的推薦系統(tǒng)以及基于上下文的推薦系統(tǒng)中。遷移學(xué)習(xí)在多領(lǐng)域評分推薦系統(tǒng)的使用的研究卻很少得到關(guān)注。為了解決上述推薦系統(tǒng)中的問題,在此文中,本文分別研究了混合神經(jīng)網(wǎng)絡(luò)與輔助信息在對用戶與商品關(guān)系建模中的應(yīng)用。本文的主要貢獻(xiàn)歸納如下:1.本文提出了一種混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),此結(jié)構(gòu)包含全局神經(jīng)網(wǎng)絡(luò)和局部神經(jīng)塊,可以學(xué)習(xí)出用... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
        1.2.1 矩陣分解相關(guān)模型
        1.2.2 深度學(xué)習(xí)相關(guān)模型
        1.2.3 輔助信息相關(guān)模型
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 推薦系統(tǒng)基礎(chǔ)
    2.1 經(jīng)典的協(xié)同過濾
    2.2 矩陣分解
    2.3 學(xué)習(xí)隱反饋數(shù)據(jù)
    2.4 評價(jià)指標(biāo)
        2.4.1 評分準(zhǔn)確性指標(biāo)
        2.4.2 Top-N指標(biāo)
    2.5 本章小結(jié)
第三章 利用深度學(xué)習(xí)建模
    3.1 神經(jīng)協(xié)同過濾
    3.2 本章所提模型
        3.2.1 混合神經(jīng)協(xié)同過濾
        3.2.2 局部神經(jīng)塊
        3.2.3 融合模型
        3.2.4 本文所提方法概要
    3.3 實(shí)驗(yàn)對比
        3.3.1 實(shí)驗(yàn)設(shè)置
        3.3.2 結(jié)果和分析
    3.4 本章小結(jié)
第四章 利用多評分信息建模
    4.1 協(xié)同因子模型
        4.1.1 多領(lǐng)域評分的因子分解模型
        4.1.2 協(xié)同因子模型
    4.2 實(shí)驗(yàn)對比
        4.2.1 實(shí)驗(yàn)設(shè)置
        4.2.2 結(jié)果與分析
    4.3 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
附錄
攻讀碩士學(xué)位期間取得的成果



本文編號：3030767