隨著物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、人工智能等數(shù)字技術(shù)的發(fā)展,全球進(jìn)入數(shù)字經(jīng)濟(jì)時(shí)代,人們的個(gè)性化需求、數(shù)據(jù)的多樣性與復(fù)雜性讓用戶對信息的獲取提出了更高的要求。如何幫助用戶從海量信息中找到其感興趣的信息,已成為學(xué)術(shù)界廣泛關(guān)注的問題。推薦系統(tǒng)作為一種有效的信息過濾系統(tǒng),是解決這一問題的重要工具,但隨著用戶和物品數(shù)量的極速增長,傳統(tǒng)的基于協(xié)同過濾的推薦系統(tǒng)正面臨著推薦質(zhì)量和推薦實(shí)時(shí)性下降的挑戰(zhàn)。最近的研究表明,相較于傳統(tǒng)協(xié)同過濾算法中人工設(shè)計(jì)的相似度指標(biāo),使用網(wǎng)絡(luò)表示學(xué)習(xí)的方法處理推薦系統(tǒng)中的相關(guān)信息,可以有效地增強(qiáng)推薦系統(tǒng)的特征表示能力。為了提高推薦系統(tǒng)的推薦質(zhì)量和實(shí)時(shí)性,本文主要關(guān)注基于二部網(wǎng)絡(luò)的推薦算法和實(shí)時(shí)推薦的系統(tǒng)架構(gòu)。本文的主要工作和貢獻(xiàn)如下:（1）提出了一種聯(lián)合二部網(wǎng)絡(luò)表示學(xué)習(xí)的矩陣分解推薦算法（BiNRMF）。使用二部網(wǎng)絡(luò)表示學(xué)習(xí)的方法,學(xué)習(xí)用戶與項(xiàng)目的低維向量稠密表示,提高相似度計(jì)算結(jié)果的穩(wěn)定性,降低相似度計(jì)算的復(fù)雜度;將低維向量空間中用戶與用戶、項(xiàng)目與項(xiàng)目之間的相似關(guān)系融入傳統(tǒng)矩陣分解算法,訓(xùn)練預(yù)測模型。（2）設(shè)計(jì)了一種實(shí)時(shí)的三層推薦架構(gòu)。整體架構(gòu)一共分為三層:離線層,近線層、在... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２?Ｗｉｄｅ＆ｄｅｅｐ模型結(jié)構(gòu)??Ｆｉｕｒｅ?２．２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｔｈｅ?Ｗｉｄｅ＆ｄｅｅｍｏｄｅｌ??

通過??二部網(wǎng)絡(luò)的表示學(xué)習(xí)算法分別獲得用戶和項(xiàng)目的低維向量稠密表運(yùn)，甩于計(jì)算甩戶之間??和項(xiàng)目之間在低維向量空間中的相似性，改進(jìn)傳統(tǒng)的矩陣分解模型。在ＧｏｏｄＢｏｏｋｓ和??ＭｏｖｉｅＬｅｎｓ數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明與經(jīng)典的推薦算法相比，ＢｉＮＲＭＦ方法的預(yù)測精度??有顯著的提升．??３．１算法整體框架??本章節(jié)提出的ＢｉＮＲＭＦ算法，結(jié)合二部網(wǎng)絡(luò)表示學(xué)習(xí)算法和矩陣分解算法，利用兩??個(gè)異構(gòu)信息源：項(xiàng)目的標(biāo)簽信息和用戶的評分信息作為輸入，通過訓(xùn)練模型預(yù)測用戶對??項(xiàng)貝的評分。??圖３．１描述了算法的整體框架：首先，利用輸入的信息分別構(gòu)建用戶行為和項(xiàng)目內(nèi)??容信息的二部網(wǎng)絡(luò)。然后，使用二部網(wǎng)絡(luò)表示學(xué)習(xí)的算法獲得用戶和項(xiàng)目的低維向＃表??示。最后，基于甩戶和項(xiàng)目的低維向量表示計(jì)算相似性，并融入矩陣分解模型，預(yù)測用??戶對項(xiàng)目的評分。??＾＾??項(xiàng)目扁?＾項(xiàng)目－標(biāo)簽二部網(wǎng)絡(luò)３?？二部網(wǎng)絡(luò)表示學(xué)習(xí)??Ｉ?Ｉ?［?，?＂??簽信息?Ｖ?ｙ???ａ?（夕＠目內(nèi)容））??＾?＞?桀５?＾????猙，?（１?－?ａ）（?５＞（用戶交互））??瓦一（■用戶－項(xiàng)目二部ｊｐ—部網(wǎng)絡(luò)表示學(xué)習(xí)Ｉ＾?Ｕ?Ｖ?）??＾」??圖３．１算法整體框架圖??Ｆｉｇｕｒｅ?３．１?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｅ?ａｌｇｏｒｉｔｈｍ??３．２數(shù)據(jù)預(yù)處理??數(shù)據(jù)預(yù)處理的目的是從用戶的評分行為和項(xiàng)自的內(nèi)容信息中抽取用戶－項(xiàng)目分＝??部網(wǎng)絡(luò)和項(xiàng)Ｈ－標(biāo)簽二部網(wǎng)絡(luò)，并作為二部網(wǎng)絡(luò)表示學(xué)習(xí)算法的輸入。??１５??

?第三章：基于二＇部網(wǎng)絡(luò)表示學(xué)習(xí)的推薦算法???如圖３．２所示，左圖為用戶的評分信息．，轉(zhuǎn)化為右圖的用戶－項(xiàng)目評分二部網(wǎng)絡(luò)。??其中圓形節(jié)點(diǎn)代表用戶，矩形節(jié)點(diǎn)代表項(xiàng)目。節(jié)點(diǎn)之間的邊代表用戶對項(xiàng)目存在打分行??為。邊的權(quán)重代表對應(yīng)的用戶項(xiàng)匿評分。??


本文編號：3451535