發(fā)布時(shí)間：2021-05-25 17:01

　　近年來,隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展與普及,用戶從網(wǎng)絡(luò)中獲取數(shù)據(jù)的同時(shí),也生成了海量的數(shù)據(jù)信息。在旅游行業(yè),隨著網(wǎng)絡(luò)上景點(diǎn)數(shù)據(jù)井噴式地增長,一方面能夠使用戶獲取到更加豐富的景點(diǎn)信息,而另一方面,當(dāng)用戶面對(duì)觸目皆是的旅游信息時(shí),用戶則需要耗費(fèi)大量的時(shí)間來檢索真正有價(jià)值的信息�！靶畔⑦^載”問題越來越嚴(yán)重,傳統(tǒng)的旅游景點(diǎn)推薦系統(tǒng)已經(jīng)無法滿足用戶的需求。因此,一種能夠滿足用戶需求的旅游景點(diǎn)推薦系統(tǒng)受到了用戶的推崇,即旅游景點(diǎn)個(gè)性化推薦系統(tǒng)。但是,推薦系統(tǒng)普遍存在冷啟動(dòng)、數(shù)據(jù)稀疏和準(zhǔn)確率低三大問題,因此本文針對(duì)這些問題,引入遷移學(xué)習(xí)和深度學(xué)習(xí)算法,進(jìn)行了基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦和基于深度遷移的旅游景點(diǎn)個(gè)性化推薦研究。論文的主要研究內(nèi)容如下:（1）研究了基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦算法。針對(duì)推薦系統(tǒng)中普遍存在的問題,提出基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦算法。在旅游景點(diǎn)個(gè)性化推薦領(lǐng)域,目標(biāo)任務(wù)中的目標(biāo)域數(shù)據(jù)絕大多數(shù)是未標(biāo)記數(shù)據(jù),無法對(duì)模型進(jìn)行訓(xùn)練,但是存在與目標(biāo)域數(shù)據(jù)相關(guān)的源域數(shù)據(jù)且都是已完全標(biāo)記的,因此考慮引入源域數(shù)據(jù)集來輔助目標(biāo)域數(shù)據(jù)集進(jìn)行模型訓(xùn)練。首先,準(zhǔn)備實(shí)驗(yàn)輔助數(shù)據(jù)集,即源域數(shù)據(jù)集,從網(wǎng)... 

【文章來源】：陜西科技大學(xué)陜西省

【文章頁數(shù)】：73 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 現(xiàn)狀及發(fā)展趨勢(shì)
        1.2.1 個(gè)性化推薦
        1.2.2 個(gè)性化旅游推薦
        1.2.3 遷移學(xué)習(xí)
        1.2.4 深度學(xué)習(xí)
    1.3 本文的主要研究工作及章節(jié)安排
2 預(yù)備知識(shí)
    2.1 特征提取
    2.2 遷移學(xué)習(xí)
        2.2.1 度量準(zhǔn)則
        2.2.2 域適應(yīng)
    2.3 分類算法
        2.3.1 支持向量機(jī)
        2.3.2 跨域支持向量機(jī)
        2.3.3 多核學(xué)習(xí)
    2.4 深度學(xué)習(xí)
        2.4.1 神經(jīng)元模型
        2.4.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.4.3 常用的激活函數(shù)
        2.4.4 梯度下降算法
        2.4.5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.6 AlexNet網(wǎng)絡(luò)結(jié)構(gòu)分析
        2.4.7 Dropout正則化
    2.5 推薦系統(tǒng)
        2.5.1 相似度計(jì)算
3 基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦
    3.1 問題定義
    3.2 基于域適應(yīng)的旅游景點(diǎn)風(fēng)格分類框架
    3.3 個(gè)性化旅游景點(diǎn)推薦
    3.4 本章小結(jié)
4 基于深度遷移的旅游景點(diǎn)個(gè)性化推薦
    4.1 深度遷移
    4.2 基于深度遷移的旅游景點(diǎn)風(fēng)格分類框架
    4.3 個(gè)性化旅游景點(diǎn)推薦
    4.4 本章小結(jié)
5 實(shí)驗(yàn)結(jié)果與分析
    5.1 實(shí)驗(yàn)數(shù)據(jù)
    5.2 實(shí)驗(yàn)環(huán)境
    5.3 評(píng)價(jià)指標(biāo)
    5.4 對(duì)比算法
        5.4.1基于域適應(yīng)的旅游景點(diǎn)風(fēng)格分類實(shí)驗(yàn)
        5.4.2基于深度遷移的旅游景點(diǎn)風(fēng)格分類實(shí)驗(yàn)
    5.5 實(shí)驗(yàn)結(jié)果及分析
        5.5.1基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦實(shí)驗(yàn)
        5.5.2基于深度遷移的旅游景點(diǎn)個(gè)性化推薦實(shí)驗(yàn)
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于域適應(yīng)的旅游景點(diǎn)個(gè)性化推薦算法研究[J]. 鄭恩讓,韓國鋒,劉晨.  陜西科技大學(xué)學(xué)報(bào). 2019(01)
[2]廣播電臺(tái)融媒體直播機(jī)房的設(shè)計(jì)與實(shí)現(xiàn)[J]. 曹劍英.  廣播與電視技術(shù). 2018(12)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的車載疲勞駕駛檢測系統(tǒng)的實(shí)現(xiàn)[J]. 唐杰,陳仁文,余小慶.  國外電子測量技術(shù). 2018(01)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別[J]. 徐新飛,劉惠義.  國外電子測量技術(shù). 2018(01)
[5]深度學(xué)習(xí)在目標(biāo)視覺檢測中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)
[6]基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計(jì)算機(jī)科學(xué). 2017(S1)
[7]用于微博情感分析的一種情感語義增強(qiáng)的深度學(xué)習(xí)模型[J]. 何炎祥,孫松濤,牛菲菲,李飛.  計(jì)算機(jī)學(xué)報(bào). 2017(04)
[8]杰卡德相似系數(shù)在推薦系統(tǒng)中的應(yīng)用[J]. 張曉琳,付英姿,褚培肖.  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(04)
[9]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[10]一種結(jié)合詞項(xiàng)語義信息和TF-IDF方法的文本相似度量方法[J]. 黃承慧,印鑒,侯昉.  計(jì)算機(jī)學(xué)報(bào). 2011(05)

碩士論文
[1]基于深度學(xué)習(xí)的人臉檢測算法研究[D]. 宦太杰.南京郵電大學(xué) 2018
[2]一種基于深度神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)方法[D]. 張智.哈爾濱工業(yè)大學(xué) 2018
[3]基于深度學(xué)習(xí)的全天車輛檢測[D]. 谷頎.北京交通大學(xué) 2018



本文編號(hào)：3205694