近年來,隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,信息數(shù)據(jù)的總量與復(fù)雜度在飛速增加,信息過載已成為社會(huì)所面臨的核心問題。推薦算法作為解決信息過載的重要方法,一直是學(xué)術(shù)界與工業(yè)界研究的焦點(diǎn)領(lǐng)域。傳統(tǒng)的推薦算法大多是面向顯式反饋而設(shè)計(jì),由于隱式反饋數(shù)據(jù)的自身缺陷,面向隱式反饋的推薦算法效果并不理想。隨著深度學(xué)習(xí)技術(shù)的愈加成熟,將神經(jīng)網(wǎng)絡(luò)與推薦算法相結(jié)合已成為推薦算法研究的熱點(diǎn)。神經(jīng)協(xié)同過濾模型是其中的代表性工作之一。該模型通過神經(jīng)網(wǎng)絡(luò)克服了隱式反饋數(shù)據(jù)的缺陷,得到了較好的推薦結(jié)果。然而神經(jīng)協(xié)同過濾存在以下不足:在數(shù)據(jù)處理階段模型生成的隱向量攜帶的有效信息較少,不能很好的代表用戶與項(xiàng)目的本質(zhì)屬性;該模型使用參數(shù)量較多的多層感知機(jī)神經(jīng)網(wǎng)絡(luò),模型收斂時(shí)間較長(zhǎng),不適合對(duì)時(shí)效性要求較高的推薦場(chǎng)景。1)針對(duì)神經(jīng)協(xié)同過濾模型生成隱向量攜帶有效信息較少的問題,本文提出了基于變分自編碼器的神經(jīng)協(xié)同過濾模型,模型使用變分自編碼器生成用戶與項(xiàng)目的隱向量。相較于神經(jīng)協(xié)同過濾簡(jiǎn)單的將用戶與項(xiàng)目的ID數(shù)據(jù)通過獨(dú)熱編碼生成隱向量的方式,變分自編碼器使用用戶歷史行為記錄生成穩(wěn)定性的隨機(jī)變量分布函數(shù),有效地去除了隱式反饋數(shù)的數(shù)據(jù)噪音與數(shù)據(jù)... 

【文章來源】：北京工業(yè)大學(xué)北京市 211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法研究現(xiàn)狀
        1.2.2 面向隱式反饋推薦算法研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)推薦算法研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 本文組織架構(gòu)
第2章 推薦算法相關(guān)技術(shù)研究
    2.1 推薦系統(tǒng)概述
        2.1.1 推薦系統(tǒng)直觀背景與定義
        2.1.2 推薦系統(tǒng)抽象模型
    2.2 協(xié)同過濾推薦算法
        2.2.1 基于用戶協(xié)同過濾算法
        2.2.2 基于項(xiàng)目協(xié)同過濾算法
        2.2.3 基于模型協(xié)同過濾算法
    2.3 基于深度學(xué)習(xí)的推薦算法
        2.3.1 自編碼器在推薦算法中的應(yīng)用
        2.3.2 多層感知機(jī)在推薦算法中的應(yīng)用
    2.4 推薦算法評(píng)估指標(biāo)
        2.4.1 預(yù)測(cè)評(píng)分準(zhǔn)確性
        2.4.2 預(yù)測(cè)分類準(zhǔn)確性
        2.4.3 歸一化折損累計(jì)增益
    2.5 本章小結(jié)
第3章 基于變分自編碼器的神經(jīng)協(xié)同過濾模型
    3.1 隱式反饋數(shù)據(jù)特性及相關(guān)推薦算法
        3.1.1 隱式反饋推薦場(chǎng)景建模
        3.1.2 隱式反饋數(shù)據(jù)特性
        3.1.3 隱式反饋推薦算法
    3.2 VAE-NCF模型框架
        3.2.1 VAE-NCF模型結(jié)構(gòu)概述
        3.2.2 VAE-NCF模型算法流程
    3.3 特征向量生成模塊
        3.3.1 變分自編碼器直觀背景
        3.3.2 變分自編碼器模型求解方法
        3.3.3 特征向量生成步驟
    3.4 特征提取模塊
        3.4.1 改進(jìn)的NCF模型結(jié)構(gòu)
        3.4.2 模型時(shí)間復(fù)雜度
    3.5 實(shí)驗(yàn)結(jié)果分析
        3.5.1 硬件環(huán)境及數(shù)據(jù)集
        3.5.2 評(píng)估方式
        3.5.3 對(duì)比模型
        3.5.4 模型超參數(shù)
        3.5.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第4章 基于降噪自編碼器的卷積神經(jīng)協(xié)同過濾模型
    4.1 DAE-CNCF模型整體框架
        4.1.1 DAE-CNCF模型結(jié)構(gòu)概述
        4.1.2 DAE-CNCF模型算法流程
    4.2 特征向量生成模塊
        4.2.1 降噪自編碼器模型訓(xùn)練
        4.2.2 特征向量生成
    4.3 特征提取模塊
        4.3.1 CNCF網(wǎng)絡(luò)模型結(jié)構(gòu)
        4.3.2 CNCF模型特點(diǎn)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 硬件環(huán)境及數(shù)據(jù)集
        4.4.2 對(duì)比模型
        4.4.3 模型超參數(shù)
        4.4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間所發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]A Novel Deep Hybrid Recommender System Based on Auto-encoder with Neural Collaborative Filtering[J]. Yu Liu,Shuai Wang,M.Shahrukh Khan,Jieyu He.  Big Data Mining and Analytics. 2018(03)
[2]基于降噪自動(dòng)編碼器的推薦算法[J]. 武玲梅,陸建波,劉春霞.  計(jì)算機(jī)與現(xiàn)代化. 2018(03)
[3]基于大規(guī)模隱式反饋的個(gè)性化推薦[J]. 印鑒,王智圣,李琪,蘇偉杰.  軟件學(xué)報(bào). 2014(09)
[4]改進(jìn)的單類協(xié)同過濾推薦方法[J]. 王鵬,景麗萍.  計(jì)算機(jī)科學(xué)與探索. 2014(10)
[5]基于領(lǐng)域知識(shí)的個(gè)性化推薦算法研究[J]. 張丙奇.  計(jì)算機(jī)工程. 2005(21)

碩士論文
[1]基于高斯混合模型的變分自動(dòng)編碼器[D]. 李鵬.哈爾濱工業(yè)大學(xué) 2017
[2]基于異構(gòu)用戶反饋數(shù)據(jù)的協(xié)同過濾算法研究[D]. 鐘豪.浙江大學(xué) 2015



本文編號(hào)：3205218