推薦系統(tǒng)是一種在當(dāng)前互聯(lián)網(wǎng)信息產(chǎn)業(yè)中應(yīng)用較為廣泛的系統(tǒng)。面對(duì)多種多樣的推薦系統(tǒng)應(yīng)用場(chǎng)景,數(shù)據(jù)特征和啟動(dòng)狀態(tài),協(xié)同過(guò)濾推薦算法面臨一系列嚴(yán)峻的問(wèn)題,這些問(wèn)題包含但不僅限于冷啟動(dòng)問(wèn)題、用戶(hù)/物品矩陣稀疏和維度爆炸問(wèn)題、用戶(hù)-物品組織的長(zhǎng)尾分布問(wèn)題、用戶(hù)選擇的相似度度量問(wèn)題等。本文針對(duì)當(dāng)前協(xié)同過(guò)濾推薦算法存在的問(wèn)題,通過(guò)引入混合相似度度量方法、結(jié)合專(zhuān)注力編碼機(jī)制對(duì)用戶(hù)行為數(shù)據(jù)編碼等方法,一定程度上緩解了傳統(tǒng)推薦算法普遍存在的冷啟動(dòng)和用戶(hù)/物品矩陣稀疏問(wèn)題。本文提出的基于混合相似度及專(zhuān)注力神經(jīng)網(wǎng)絡(luò)編碼的推薦算法（ACFSI）在Movie Lens 1M數(shù)據(jù)集上相較于傳統(tǒng)推薦算法展現(xiàn)出更加高效、準(zhǔn)確的推薦效果。本文的工作主要有:（1）提出一種基于混合相似度的協(xié)同過(guò)濾推薦算法（CFSI）,該算法提升了協(xié)同過(guò)濾算法計(jì)算過(guò)程中面向用戶(hù)、物品計(jì)算相似度時(shí)的準(zhǔn)確度;通過(guò)研究傳統(tǒng)相似度度量方法,歸納和總結(jié)各種相似度度量方法對(duì)于用戶(hù)特征對(duì)比的側(cè)重點(diǎn),尋找兼顧多種特征表達(dá)角度的混合相似度度量方法,該方法能夠合理兼顧物品自身獨(dú)有特征和同類(lèi)型物品共有特征,有效規(guī)避噪音。同時(shí)通過(guò)該算法,緩解了冷啟動(dòng)現(xiàn)象對(duì)于推薦系統(tǒng)準(zhǔn)... 

【文章來(lái)源】：西華師范大學(xué)四川省

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

WalterPitts神經(jīng)網(wǎng)絡(luò)模型

第2章CFSI算法—基于混合相似度的協(xié)同過(guò)濾推薦算法72.2推薦系統(tǒng)的架構(gòu)本節(jié)介紹推薦系統(tǒng)的基本架構(gòu)，主要講推薦系統(tǒng)架構(gòu)按照數(shù)據(jù)訓(xùn)練的工作流程區(qū)分，主要分為離線訓(xùn)練在線推薦的推薦系統(tǒng)架構(gòu)和在線訓(xùn)練和推薦的推薦系統(tǒng)架構(gòu)。2.2.1離線推薦的架構(gòu)基于離線訓(xùn)練的推薦系統(tǒng)結(jié)構(gòu)是當(dāng)前比較流行的推薦系統(tǒng)架構(gòu)，其離線訓(xùn)練-實(shí)時(shí)推薦的運(yùn)行特征將模型的參數(shù)調(diào)整和實(shí)際運(yùn)行分離開(kāi)來(lái)，這種分離使得整個(gè)系統(tǒng)架構(gòu)較為簡(jiǎn)單[14]。在具體系統(tǒng)運(yùn)行流程上，主要分為數(shù)據(jù)上報(bào)、離線訓(xùn)練、在線存儲(chǔ)和實(shí)時(shí)推薦幾個(gè)主要流程，同時(shí)，為了保證系統(tǒng)在運(yùn)營(yíng)過(guò)程中能夠及時(shí)調(diào)整，也有評(píng)估和測(cè)試模塊。如圖2-1所示，是一個(gè)離線推薦推薦系統(tǒng)的基本架構(gòu)。圖2-1離線推薦系統(tǒng)的基本結(jié)構(gòu)Fig.2-1Basicstructureofofflinerecommendationsystem數(shù)據(jù)上報(bào)和離線訓(xùn)練系統(tǒng)通過(guò)一條數(shù)據(jù)流構(gòu)成了一個(gè)典型的監(jiān)督學(xué)習(xí)系統(tǒng)，該系統(tǒng)是訓(xùn)練、調(diào)整推薦系統(tǒng)模型的關(guān)鍵。監(jiān)督學(xué)習(xí)系統(tǒng)最終構(gòu)成“模型”，同時(shí)，模型匹配了一個(gè)在線存儲(chǔ)系統(tǒng)存儲(chǔ)需要在線使用的數(shù)據(jù)（例如基于KNN或者某些需要在預(yù)測(cè)過(guò)程中使用到離線數(shù)據(jù)集的系統(tǒng)）進(jìn)行實(shí)時(shí)推薦；同時(shí)，AB測(cè)試處理直接來(lái)自于業(yè)務(wù)的數(shù)據(jù)流，構(gòu)成對(duì)模型的測(cè)試。各個(gè)部分的主要功能和特征如下：1、數(shù)據(jù)上報(bào)數(shù)據(jù)上報(bào)是對(duì)業(yè)務(wù)來(lái)源數(shù)據(jù)的數(shù)據(jù)處理模塊，一般而言，數(shù)據(jù)集需要進(jìn)行一系列收集、驗(yàn)證、清洗、轉(zhuǎn)換和存儲(chǔ)。數(shù)據(jù)上報(bào)屬于推薦系統(tǒng)的信息預(yù)處理階段，由于當(dāng)前各種推薦系統(tǒng)面臨的業(yè)務(wù)數(shù)據(jù)流多是多模態(tài)、時(shí)序相關(guān)的混合數(shù)據(jù)，所以數(shù)據(jù)上報(bào)和數(shù)據(jù)預(yù)處理是相當(dāng)重要的，在后文中將著重研究數(shù)據(jù)的預(yù)處理，重組織等任務(wù)。常見(jiàn)的數(shù)據(jù)上報(bào)流程如圖2-2所示。

第2章CFSI算法—基于混合相似度的協(xié)同過(guò)濾推薦算法8圖2-2常見(jiàn)的數(shù)據(jù)上報(bào)和預(yù)處理過(guò)程Fig.2-2Commondatareportingandpre-processing2、離線訓(xùn)練離線訓(xùn)練是推薦系統(tǒng)的重要組成部分，一般而言是一個(gè)模式識(shí)別引擎，配合與之相關(guān)的特征工程模塊、數(shù)據(jù)預(yù)處理模塊和樣本抽樣等模塊。離線訓(xùn)練是整個(gè)推薦系統(tǒng)生命周期當(dāng)中較長(zhǎng)時(shí)間運(yùn)行的模塊，一般而言，離線訓(xùn)練模塊在沒(méi)有用戶(hù)請(qǐng)求推薦的時(shí)候長(zhǎng)期駐留在系統(tǒng)中，使用離線數(shù)據(jù)訓(xùn)練自身模式引擎。結(jié)合測(cè)試模塊不斷調(diào)優(yōu)。訓(xùn)練模塊能夠?qū)o定輸入給出符合用戶(hù)特征的推薦。3、在線存儲(chǔ)在線存儲(chǔ)在離線訓(xùn)練類(lèi)型的推薦系統(tǒng)中的地位比較特殊，由于離線系統(tǒng)的大部分?jǐn)?shù)據(jù)、程序都以離線方式運(yùn)行，模式學(xué)習(xí)引擎并不會(huì)直接接手參與實(shí)時(shí)推薦，但是用戶(hù)的推薦請(qǐng)求一般要求實(shí)時(shí)的反潰在線存儲(chǔ)模塊將相關(guān)功能和數(shù)據(jù)在線存儲(chǔ)，為實(shí)時(shí)推薦模塊提供數(shù)據(jù)和模型支持。4、實(shí)時(shí)推薦實(shí)時(shí)推薦是直接與用戶(hù)對(duì)接的模塊。主要有三個(gè)工作：一、接受用戶(hù)請(qǐng)求，用戶(hù)對(duì)于推薦的請(qǐng)求直接傳達(dá)給實(shí)時(shí)推薦模塊，例如搜索引擎的請(qǐng)求；二、調(diào)用推薦引擎進(jìn)行推薦，實(shí)時(shí)推薦模塊并不能夠獨(dú)立執(zhí)行推薦工作，需要將請(qǐng)求遞交給由在線存儲(chǔ)模塊和離線學(xué)習(xí)模塊組成的推薦引擎處理；三、結(jié)果排序，一般而言，推薦引擎給出一個(gè)推薦結(jié)果列表（List），該列表中的物品（Item）是和用戶(hù)請(qǐng)求高度相關(guān)的物品。實(shí)時(shí)推薦模塊需要給該結(jié)果列表排序。圖2-3展示了實(shí)時(shí)推薦模塊的主要任務(wù)和運(yùn)行流程。

【參考文獻(xiàn)】：
期刊論文
[1]動(dòng)態(tài)慣性權(quán)重粒子群算法研究與實(shí)現(xiàn)[J]. 李亮.  信息化研究. 2019(05)
[2]深度學(xué)習(xí)在旋轉(zhuǎn)機(jī)械設(shè)備故障診斷中的應(yīng)用研究綜述[J]. 吳春志,馮輔周,吳守軍,陳湯,王杰.  噪聲與振動(dòng)控制. 2019(05)
[3]結(jié)合實(shí)時(shí)推薦與離線推薦的推薦系統(tǒng)[J]. 李亞欣,蔡永香,張根.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(10)
[4]門(mén)控遞歸單元神經(jīng)網(wǎng)絡(luò)坐標(biāo)變換盲均衡算法[J]. 魏海文,郭業(yè)才.  微電子學(xué)與計(jì)算機(jī). 2019(09)
[5]知識(shí)找回場(chǎng)景下推薦系統(tǒng)模擬實(shí)現(xiàn)及評(píng)價(jià)研究[J]. 程秀峰,張孜銘,孟亞琪,范曉瑩,楊金慶.  圖書(shū)情報(bào)工作. 2019(16)
[6]基于人工神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)機(jī)構(gòu)可靠性靈敏度分析[J]. 唐成虎,張建華,侯偉,張晶輝,王克平,張烽彪.  鍛壓技術(shù). 2019(08)
[7]基于多層感知器的流量分類(lèi)方法研究[J]. 郭麗,劉磊.  電子測(cè)量與儀器學(xué)報(bào). 2019(07)
[8]基于改進(jìn)CNN的局部相似性預(yù)測(cè)推薦模型[J]. 吳國(guó)棟,宋福根,涂立靜,史明哲.  計(jì)算機(jī)工程與科學(xué). 2019(06)
[9]基于異步優(yōu)勢(shì)執(zhí)行器評(píng)價(jià)器學(xué)習(xí)的自適應(yīng)PID控制設(shè)計(jì)[J]. 孫歧峰,任輝,段友祥.  信息與控制. 2019(03)
[10]基于廣義回歸神經(jīng)網(wǎng)絡(luò)的微生物降解效應(yīng)對(duì)助燃劑檢測(cè)的影響[J]. 方強(qiáng),劉玲.  色譜. 2019(06)

博士論文
[1]基于多樣化內(nèi)容數(shù)據(jù)的個(gè)性化推薦系統(tǒng)[D]. 練建勛.中國(guó)科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于Spark平臺(tái)的推薦系統(tǒng)的研究與實(shí)現(xiàn)[D]. 王水德.廈門(mén)大學(xué) 2017



本文編號(hào)：3350264