互聯(lián)網(wǎng)的快速發(fā)展積累了海量的數(shù)據(jù)和產(chǎn)品信息,導(dǎo)致了信息過(guò)載問(wèn)題。而個(gè)性化推薦日益成為克服信息過(guò)載問(wèn)題的關(guān)鍵解決方案,被諸多新聞媒介和電子商務(wù)網(wǎng)站所采用。在當(dāng)前個(gè)性化推薦方法中,基于模型的協(xié)同過(guò)濾算法因其工程實(shí)現(xiàn)簡(jiǎn)單且通用性強(qiáng)等優(yōu)點(diǎn)而被廣泛采用。但是目前基于傳統(tǒng)機(jī)器學(xué)習(xí)模型的協(xié)同過(guò)濾算法會(huì)面臨特征提取不充分的問(wèn)題,推薦準(zhǔn)確率往往受到制約。針對(duì)這樣的問(wèn)題,本文以電影推薦為例,設(shè)計(jì)一個(gè)基于深度協(xié)同過(guò)濾的個(gè)性化推薦系統(tǒng),主要的工作如下:一是本文在原始數(shù)據(jù)集中額外增加了電影簡(jiǎn)介和以往觀眾評(píng)論中所包含的文本信息來(lái)豐富特征空間。首先通過(guò)Python爬蟲(chóng)技術(shù)得到系統(tǒng)設(shè)計(jì)需要的文本信息,再借助Word2Vec方法將文本映射為向量表示,然后將向量化的文本信息與電影本身的屬性信息融合為系統(tǒng)所需的數(shù)據(jù)集。二是本文設(shè)計(jì)了一種深度協(xié)同過(guò)濾推薦算法（ConvMF-DenseNet）,該算法采用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)作為新的特征提取器,首先將數(shù)據(jù)集中的特征信息經(jīng)過(guò)數(shù)據(jù)預(yù)處理轉(zhuǎn)換之后,再通過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深層次的特征提取,最后將提取到的特征利用傳統(tǒng)的協(xié)同過(guò)濾算法向用戶(hù)進(jìn)行推薦。此方法利用深度學(xué)習(xí)長(zhǎng)于數(shù)據(jù)特征提取... 

【文章來(lái)源】：鄭州大學(xué)河南省 211工程院校

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1個(gè)性化推薦模型

圖 1.2 我國(guó)推薦系統(tǒng)發(fā)表情況趨勢(shì)圖近幾年，個(gè)性化推薦系統(tǒng)應(yīng)用在國(guó)內(nèi)大型公司開(kāi)始投入使用。推薦系統(tǒng)應(yīng)廣泛應(yīng)用于電子商務(wù)市場(chǎng)，該市場(chǎng)可以根據(jù)用戶(hù)的瀏覽記錄、收藏情況、停間、購(gòu)買(mǎi)記錄、個(gè)人信息等信息為用戶(hù)提供個(gè)性化推薦，通過(guò)推薦系統(tǒng)應(yīng)用

圖 2.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖卷積神經(jīng)網(wǎng)絡(luò)模型的基本流程如下表：表 2.2 卷積神經(jīng)網(wǎng)絡(luò)模型的基本流程層次結(jié)構(gòu) 操作方法數(shù)據(jù)輸入層 1、經(jīng)過(guò)去均值和歸一化處理后的數(shù)據(jù)集

【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]融合似然比相似度的協(xié)同過(guò)濾推薦算法研究[J]. 王嶸冰,徐紅艷,馮勇,郭浩.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[3]基于自動(dòng)編碼器組合的深度學(xué)習(xí)優(yōu)化方法[J]. 鄧俊鋒,張曉龍.  計(jì)算機(jī)應(yīng)用. 2016(03)
[4]基于顯式與隱式反饋信息的概率矩陣分解推薦[J]. 王東,陳志,岳文靜,高翔,王峰.  計(jì)算機(jī)應(yīng)用. 2015(09)
[5]不確定近鄰的協(xié)同過(guò)濾推薦算法[J]. 黃創(chuàng)光,印鑒,汪靜,劉玉葆,王甲海.  計(jì)算機(jī)學(xué)報(bào). 2010(08)
[6]基于綜合用戶(hù)信息的用戶(hù)興趣建模研究[J]. 邵秀麗,乜聚科,侯樂(lè)彩,田振雷.  南開(kāi)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2009(03)

博士論文
[1]基于協(xié)同過(guò)濾視角的受限玻爾茲曼機(jī)研究[D]. 羅恒.上海交通大學(xué) 2011

碩士論文
[1]基于用戶(hù)評(píng)論和評(píng)分的協(xié)同過(guò)濾算法研究[D]. 董晨露.北京交通大學(xué) 2018
[2]協(xié)同過(guò)濾算法在推薦系統(tǒng)中的應(yīng)用與研究[D]. 付國(guó)文.電子科技大學(xué) 2018
[3]面向移動(dòng)終端的新聞推薦系統(tǒng)的研究與實(shí)現(xiàn)[D]. 馮晨.華北電力大學(xué)(北京) 2016
[4]基于混合模型的商品購(gòu)買(mǎi)預(yù)測(cè)[D]. 成文輝.東南大學(xué) 2015
[5]基于分類(lèi)的推薦系統(tǒng)優(yōu)化方法研究[D]. 朱洪青.華中科技大學(xué) 2014
[6]基于文本聚類(lèi)的特征選擇算法研究[D]. 樊東輝.西北師范大學(xué) 2012



本文編號(hào)：3344458