發(fā)布時間：2021-12-24 15:20

　　互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展極大地改變民眾的生活,與此同時也帶來數(shù)據(jù)規(guī)模的激增,提高用戶準確快速地找到目標信息的難度。搜索引擎在一定程度上緩解了“信息過載”的問題,但是依舊無法滿足民眾變幻無常的需求,因此便產(chǎn)生推薦系統(tǒng)。推薦系統(tǒng)已普遍應(yīng)用于各行各業(yè),一個好的推薦算法可以極大地提高企業(yè)的收入,提升用戶的滿意度。然而,現(xiàn)有的推薦算法飽受數(shù)據(jù)稀疏性、冷啟動、推薦的解釋性等問題的困擾,導致推薦精度較低,用戶體驗度較差。隨著深度學習技術(shù)的蓬勃發(fā)展,將推薦算法與深度學習技術(shù)融合解決上述問題成為新的發(fā)展趨勢。本文針對冷啟動問題與數(shù)據(jù)稀疏性問題,綜合分析現(xiàn)有研究的不足,并嘗試將深度學習與協(xié)同過濾相結(jié)合進行混合推薦,充分利用物品屬性、評論文本等輔助信息,以緩解上述問題帶來的精度下降現(xiàn)象。本文的主要研究工作如下:（1）提出一種面向完全冷啟動的深度混合協(xié)同過濾推薦算法。該算法設(shè)計一種將機器學習與協(xié)同過濾結(jié)合的通用框架,為充分挖掘物品屬性,使用深度降噪自編碼器學習物品的隱特征,替換物品因子。針對冷啟動特性,根據(jù)學習到的隱特征,引入安全的S4VM算法初步預測新物品的評分,結(jié)合改進的考慮時間因素與實際情形的LFM模型,最... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

京東“專屬”推薦Fig1.2ExclusiverecommendationofJD據(jù)國外媒體VentureBeat統(tǒng)計，亞馬遜在2003年提升了約35%的收入，這全歸功于

圖 1.3 CDL 模型圖Fig1.3 CDL model diagramDL 模型的出現(xiàn)瞬間吸引了眾多關(guān)注，成為大量研究者改進與比較的基準。內(nèi)，作者通過詞袋模型 BoW（Bag-of-Words）表示物品的輔助信息，該模單詞來表達文本，無法挖掘出各詞語之間的順序隱含的重要信息，因此，編碼解碼階段，借鑒循環(huán)神經(jīng)網(wǎng)絡(luò)[24]的思想，改進 SDAE 模型變成協(xié)同循

圖 2.3 矩陣分解原理圖Fig2.3 Schematic diagram of matrix factorization知，原始的二維評分矩陣 R，被分解成了用戶隱含特征矩陣，其中 R 是 M*N 維，U 是 N*T 維，V 是 T*M 維。假設(shè) pu代表，qv代表音樂 v 與用戶之間的關(guān)系，則用戶對音樂的評分 ru,v,Tu v u vr p q 2.1 可知，只需要學習到用戶和物品的隱含因子，就可以根據(jù)評分，從而進行推薦。學習的推薦算法

【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)冷啟動問題解決策略研究[J]. 喬雨,李玲娟.  計算機技術(shù)與發(fā)展. 2018(02)
[3]安全的半監(jiān)督方法的協(xié)同過濾推薦算法[J]. 王玉業(yè),陳健美.  計算機工程與應(yīng)用. 2018(08)
[4]跨媒體分析與推理:研究進展與發(fā)展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[5]個性化推薦算法研究[J]. 陳潔敏,湯庸,李建國,蔡奕彬.  華南師范大學學報(自然科學版). 2014(05)

博士論文
[1]半監(jiān)督支持向量機學習方法的研究[D]. 李宇峰.南京大學 2013

碩士論文
[1]基于深度學習的推薦系統(tǒng)研究[D]. 陳達.北京郵電大學 2014



本文編號：3550725