發(fā)布時(shí)間：2022-01-17 01:57

　　近年來(lái),科技快速地發(fā)展使信息量出現(xiàn)爆炸式增長(zhǎng),導(dǎo)致用戶很難找到自己想要的信息而出現(xiàn)“信息過(guò)載”的問(wèn)題。推薦系統(tǒng)作為信息過(guò)濾的常用方法,是解決“信息過(guò)載”的一種有效方式。推薦系統(tǒng)的核心是推薦算法,它決定推薦系統(tǒng)的性能。協(xié)同過(guò)濾技術(shù)作為一種推薦算法現(xiàn)已應(yīng)用于推薦系統(tǒng)中。但這類算法的有效性有限,只能學(xué)到用戶和項(xiàng)目的淺層次特征,而無(wú)法學(xué)到深層次的特征表示,因此制約推薦算法的性能。此外,數(shù)據(jù)量太大會(huì)出現(xiàn)數(shù)據(jù)稀疏性問(wèn)題,這也會(huì)影響推薦精度。深度學(xué)習(xí)技術(shù)應(yīng)用于圖像與語(yǔ)音等方面取得突破,原因是該方法能夠通過(guò)深層次的非線性結(jié)構(gòu)學(xué)習(xí)交互數(shù)據(jù)信息,這樣就得到數(shù)據(jù)深層次表示特征。因此許多專家和學(xué)者提出一些利用深度學(xué)習(xí)的方法應(yīng)用于推薦中。這樣就能有效處理協(xié)同過(guò)濾算法及其擴(kuò)展算法存在的缺陷,從而獲得較好的推薦精度。但這些方法還存在挖掘隱含信息能力不足和數(shù)據(jù)稀疏性問(wèn)題導(dǎo)致推薦結(jié)果并不是令人很滿意。因此,本文對(duì)國(guó)內(nèi)外的評(píng)分推薦的算法進(jìn)行相關(guān)研究,在協(xié)同過(guò)濾的評(píng)分推薦算法研究上,重點(diǎn)對(duì)基于深度學(xué)習(xí)的評(píng)分推薦算法進(jìn)行深入研究,包括挖掘隱含信息能力、信息利用、數(shù)據(jù)稀疏性和推薦精度等若干問(wèn)題。本文的主要工作包括:1.本文對(duì)推... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于協(xié)同過(guò)濾的推薦算法Figure1.1Recommendationalgorithmbasedoncollaborativefiltering

第一章緒論6時(shí)用自身信息來(lái)獲得更多的相對(duì)權(quán)重，即用戶對(duì)項(xiàng)目(項(xiàng)目對(duì)用戶)信息偏好信息。此外，我們利用雙重學(xué)習(xí)機(jī)制，我們不僅從用戶-項(xiàng)目中學(xué)習(xí)，還從項(xiàng)目-用戶學(xué)習(xí)。使獲取的信息更加準(zhǔn)確。根據(jù)我們實(shí)驗(yàn)結(jié)果證明了DLSA算法具有較好的推薦效果。圖1.2本文組織結(jié)構(gòu)圖Figure1.2Organizationalstructureofthisdissertation1.4本文組織結(jié)構(gòu)本文有五個(gè)章節(jié)，如圖1.2所示。其內(nèi)容安排如下：第一章：緒論。簡(jiǎn)單闡述推薦算法的研究背景與意義、國(guó)內(nèi)外專家與學(xué)者在評(píng)分推薦問(wèn)題上的研究。對(duì)基于協(xié)同過(guò)濾的評(píng)分算法和基于深度學(xué)習(xí)的評(píng)分推薦算法研究現(xiàn)狀進(jìn)行概述。此外，重點(diǎn)介紹本文的主要研究工作。最后描述了本論文的整體組織結(jié)構(gòu)。第二章：評(píng)分推薦算法概述。描述了推薦系統(tǒng)，評(píng)分推薦的定義與應(yīng)用。詳細(xì)介紹了基于協(xié)同過(guò)濾的推薦算法的概念及其幾種常用評(píng)分算法。此外對(duì)基于深度學(xué)習(xí)的評(píng)分推薦的幾種算法進(jìn)行描述。最后對(duì)本文實(shí)驗(yàn)中使用到的數(shù)據(jù)集進(jìn)行一般性描述。第三章：DeepHM評(píng)分推薦算法。該算法是基于WideandDeep模型提出一種深度混合評(píng)分推薦算法。本章首先介紹WideandDeep模型并指出算法存在的問(wèn)題以及在應(yīng)用于評(píng)分推薦中不適應(yīng)性原因。其次，對(duì)DeepHM算法進(jìn)行詳細(xì)描述并明確DeepHM評(píng)分推薦算法與WideandDeep算法的區(qū)別。最后通過(guò)與對(duì)比算法在幾個(gè)數(shù)據(jù)集上進(jìn)行實(shí)

安徽大學(xué)碩士學(xué)位論文11（AutoEncoder，AE）、受限玻爾茲曼機(jī)（RBM）、多層感知機(jī)（Multi-LayerPerceptron，MLP）[23]和注意力（Attention）。Hiton等人提出了自動(dòng)編碼機(jī)概念，其思想是利用通過(guò)一個(gè)編碼器和解碼器來(lái)重構(gòu)輸入數(shù)據(jù)，常用于高維數(shù)據(jù)的降維處理和特征表示。自動(dòng)編碼機(jī)基本模型一般包括兩個(gè)組成部分：一個(gè)編碼器和一個(gè)解碼器。編碼器是將數(shù)據(jù)進(jìn)行編碼，而解碼器的作用是將編碼的數(shù)據(jù)進(jìn)行還原。自動(dòng)編碼機(jī)一般包括一個(gè)輸入層，一個(gè)隱層和一個(gè)輸出層的三層結(jié)構(gòu)，其基本示意圖如圖2.1所示。自動(dòng)編碼機(jī)的本質(zhì)是使輸入和輸出盡量保持一致。此外，Strub等人[24]在自動(dòng)編碼機(jī)的基礎(chǔ)上提出了基于協(xié)同過(guò)濾的兩個(gè)棧式噪自動(dòng)編碼機(jī)(SDAE)算法，通過(guò)對(duì)用戶與項(xiàng)目交互評(píng)分信息分別利用輸入的向量表示，其次，對(duì)模型進(jìn)行訓(xùn)練得到用戶和項(xiàng)目的特征表示。最后根據(jù)訓(xùn)練完成的模型進(jìn)行評(píng)分預(yù)測(cè)以獲得較好的推薦效果。SDAE算法對(duì)評(píng)分?jǐn)?shù)據(jù)中沒(méi)有評(píng)分項(xiàng)目在模型訓(xùn)練過(guò)程中直接設(shè)置零，這樣不但減少了網(wǎng)絡(luò)連接數(shù)量提升算法計(jì)算速度，而且推薦精度上具有一定的提升。利用自動(dòng)編碼機(jī)能夠獲得不錯(cuò)的推薦效果。玻爾茲曼機(jī)[25]包括可見單元和隱藏單元，對(duì)應(yīng)兩類神經(jīng)元變量，即神經(jīng)元被抑制的狀態(tài)制下是0，而被激活的狀態(tài)下結(jié)果是1。這兩種狀態(tài)可相互轉(zhuǎn)換，即0可變?yōu)?,1圖2.1自動(dòng)編碼機(jī)結(jié)構(gòu)示意圖Figure2.1Autoencoderstructurediagram可變?yōu)?。雖然玻爾茲曼機(jī)的學(xué)習(xí)表示能力較強(qiáng)，但是運(yùn)算量大且費(fèi)時(shí)。在此外基礎(chǔ)上故Hinton等人出了RBM算法。RBM是一個(gè)隨機(jī)神經(jīng)網(wǎng)絡(luò)，即網(wǎng)絡(luò)的神經(jīng)元節(jié)點(diǎn)被激活的概率是隨機(jī)的。它包含一個(gè)隱藏層和一個(gè)可視層。處在同一層位置各個(gè)神經(jīng)元是獨(dú)立存在，而在不同層之間它們是互相連接的，如圖2.2所示。常用的RBM一般是是二


本文編號(hào)：3593824