手機應用推薦系統(tǒng)能夠根據(jù)用戶使用應用的情況,從海量的應用中推薦感興趣的應用,有效地提高了用戶體驗并幫助手機應用迅速占據(jù)市場。目前手機應用的推薦服務主要依賴于手機應用管理軟件,由于應用管理軟件眾多,單個應用管理軟件難以全面地捕獲到所有用戶的偏好;通過更新、刪除軟件不能準確地反映出用戶對應用的偏好;推薦應用的方式局限于應用管理軟件內(nèi)部,推薦效率較低。此外,傳統(tǒng)的推薦算法存在著冷啟動、數(shù)據(jù)稀疏,難以直接利用用戶和應用的額外信息以及難以捕獲特征間復雜的內(nèi)在關(guān)系等問題,已經(jīng)成為制約推薦系統(tǒng)性能的瓶頸。本文結(jié)合目前流行的深度學習技術(shù),以及用戶和物品的交互信息和額外信息構(gòu)建了一個推薦系統(tǒng)模型,應用到顯式反饋和隱式反饋的推薦系統(tǒng)中,得到用戶對物品的偏好。由于用戶手機移動網(wǎng)絡數(shù)據(jù)能夠反映出用戶對應用的真實偏好,結(jié)合本文提出的推薦模型設計了一個手機應用推薦系統(tǒng),可以將該推薦模型部署到多個平臺上。本論文的研究成果如下:1.針對傳統(tǒng)推薦系統(tǒng)存在的問題,我們提出了一個端到端的、無需額外人工特征工程的深度學習推薦系統(tǒng)模型,該模型包含兩部分,分別用于捕獲特征間的低階線性關(guān)系和高階非線性關(guān)系。同時使用用戶-物品的評分... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要工作
    1.4 論文的組織結(jié)構(gòu)
第二章 深度學習和推薦算法相關(guān)基礎(chǔ)介紹
    2.1 深度學習
        2.1.1 引言
        2.1.2 多層感知機與BP算法
        2.1.3 常見激活函數(shù)
        2.1.4 深度學習編程框架
    2.2 推薦系統(tǒng)常用評價標準
第三章 基于深度學習的推薦系統(tǒng)模型
    3.1 模型設計
    3.2 模型結(jié)構(gòu)
        3.2.1 加權(quán)交互模型
        3.2.2 深度模型
        3.2.3 模型融合
    3.3 訓練策略
        3.3.1 過擬合
        3.3.2 損失函數(shù)
        3.3.3 優(yōu)化方法
    3.4 數(shù)據(jù)集
        3.4.1 數(shù)據(jù)集介紹
        3.4.2 數(shù)據(jù)集處理
    3.5 實驗結(jié)果
        3.5.1 深度模型的隱含層數(shù)
        3.5.2 特征嵌入
        3.5.3 Dropout
        3.5.4 嵌入特征的維度
        3.5.5 模型融合
        3.5.6 性能對比
    3.6 本章小結(jié)
第四章 基于深度學習的手機應用推薦模型
    4.1 研究背景
    4.2 數(shù)據(jù)分析
    4.3 模型訓練
        4.3.1 數(shù)據(jù)預處理
        4.3.2 構(gòu)建數(shù)據(jù)集
        4.3.3 實驗模型及訓練
        4.3.4 實驗結(jié)果
    4.4 功能分析與系統(tǒng)設計
        4.4.1 模型迭代功能
        4.4.2 應用推薦功能
        4.4.3 功能架構(gòu)設計
    4.5 本章小結(jié)
第五章 基于深度學習的手機應用推薦系統(tǒng)
    5.1 設計背景
    5.2 系統(tǒng)需求分析
    5.3 系統(tǒng)設計
        5.3.1 系統(tǒng)架構(gòu)設計
        5.3.2 創(chuàng)建工程模塊設計
        5.3.3 工程管理模塊設計
        5.3.4 工作流管理模塊設計
    5.4 系統(tǒng)配置及運行效果
        5.4.1 系統(tǒng)配置
        5.4.2 系統(tǒng)運行效果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文


【參考文獻】：
期刊論文
[1]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)
[2]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)



本文編號：3214675