隨著信息技術的發(fā)展,信息過載問題嚴重,用戶需要耗費大量的時間和精力尋找滿足需求的信息,信息生產者絞盡腦汁為用戶提供的推薦信息難以獲得用戶的青睞,用戶體驗差。如何從海量數(shù)據(jù)中快速精準地篩選出滿足用戶需求的信息便是一件極富挑戰(zhàn)性的任務。推薦系統(tǒng)的迅猛發(fā)展為解決這些問題提供了可能。推薦算法常借鑒機器學習、深度學習領域的方法,獲得了快速發(fā)展,同時也促進了其他領域的發(fā)展。本文對推薦算法及應用進行研究,將增量式頻繁模式挖掘算法EFUFP（Efficient Fast Updated Frequent Pattern Tree Algorithm）與深度學習模型WDL（Wide and Deep Learning）相融合,提供自動化交叉特征的學習。并將特征間的結構學習引入到WDL模型中,建立一個混合推薦算法FWDL（Frequent Wide and Deep Learning）模型,在此基礎上構建一個醫(yī)療健康知識推薦系統(tǒng),為用戶提供醫(yī)療健康相關知識的個性化推薦服務,節(jié)省其獲取有效信息的時間。為了達到該目標,本文主要內容如下:1.分析了推薦算法及頻繁模式挖掘算法的發(fā)展現(xiàn)狀,探究了深度學習在推薦領域的... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

圖２－１?ＦＰ－ＧＲＯＷＴＨ算法流程國??１．初始化頻繁模式樹：ＦＰ－ＴＲＥＥ的初始化允許共用具有相同前綴的樹路徑，??以此控制整棵樹的規(guī)模

繁??圖２－２數(shù)據(jù)劃分示意圖??圖２－２中，５為原始數(shù)據(jù)集，Ａ為新增數(shù)據(jù)集，是合并后的數(shù)據(jù)集，??針對＆、Ｓ２１?５３、５４四個部分數(shù)據(jù)項，做如下分析：??１．?＆中的元素在Ｓ和４中都為頻繁元素，因此在＆中的元素仍為頻繁元素。??２．?Ｓ２中的元素在Ｓ中是頻繁元素，在４中是非頻繁的，因此在Ｓ２中的元素可??能由頻繁降為非頻繁。??３．?Ｓ３中的元素在Ｓ中是非頻繁元素，在４中是頻繁的，因此在馬中的元素可??能由非頻繁升為頻繁。??４．?中的元素在￡）和ＪＶ中都為非頻繁元素，因此在中的元素仍為非頻繁元??素：。因：此，更新時無需考慮５４中的元素??更新操作如下：??＿１．針對Ｓ＃的元素，需要相應地調整頻繁樹節(jié)點及頭指針表元素的頻度。．??２．針對馬中的元素

?ｂ４??繁??圖２－２數(shù)據(jù)劃分示意圖??圖２－２中，５為原始數(shù)據(jù)集，Ａ為新增數(shù)據(jù)集，是合并后的數(shù)據(jù)集，??針對＆、Ｓ２１?５３、５４四個部分數(shù)據(jù)項，做如下分析：??１．?＆中的元素在Ｓ和４中都為頻繁元素，因此在＆中的元素仍為頻繁元素。??２．?Ｓ２中的元素在Ｓ中是頻繁元素，在４中是非頻繁的，因此在Ｓ２中的元素可??能由頻繁降為非頻繁。??３．?Ｓ３中的元素在Ｓ中是非頻繁元素，在４中是頻繁的，因此在馬中的元素可??能由非頻繁升為頻繁。??４．?中的元素在￡）和ＪＶ中都為非頻繁元素，因此在中的元素仍為非頻繁元??素：。因：此，更新時無需考慮５４中的元素??更新操作如下：??＿１．針對Ｓ＃的元素

【參考文獻】：
期刊論文
[1]基于改進的寬深度模型的推薦方法研究[J]. 王藝平,馮旭鵬,劉利軍,黃青松.  計算機應用與軟件. 2018(11)
[2]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)
[3]一種解決新項目冷啟動問題的推薦算法[J]. 于洪,李俊華.  軟件學報. 2015(06)



本文編號：3535505