線(xiàn)上娛樂(lè)和線(xiàn)上購(gòu)物等互聯(lián)網(wǎng)應(yīng)用的快速發(fā)展,豐富了人們娛樂(lè)生活,然而用戶(hù)也需要花費(fèi)大量的時(shí)間和精力在海量信息中尋找自己感興趣的內(nèi)容,為此推薦算法應(yīng)運(yùn)而生。隨著用戶(hù)互動(dòng)的增多、產(chǎn)品信息的完善,造成數(shù)據(jù)體量的迅速增大、數(shù)據(jù)稀疏性急劇增加,傳統(tǒng)的推薦系統(tǒng)因?yàn)闊o(wú)法充分提取用戶(hù)和項(xiàng)目的特征,同時(shí)也無(wú)法充分挖掘用戶(hù)和產(chǎn)品之間的內(nèi)在聯(lián)系,導(dǎo)致推薦效果并不理想。深度學(xué)習(xí)具有強(qiáng)大的學(xué)習(xí)能力,可以從海量樣本數(shù)據(jù)源學(xué)習(xí)到本質(zhì)特征,同時(shí)具有良好的可移植性,所以越來(lái)越多的學(xué)者將它運(yùn)用到推薦系統(tǒng)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域中應(yīng)用最普遍也是最卓有成效的一種神經(jīng)網(wǎng)絡(luò),它可以對(duì)文本信息特征進(jìn)行深度挖掘與分析,進(jìn)而對(duì)用戶(hù)特征進(jìn)行了很好的分類(lèi),近年來(lái)也被逐步應(yīng)用到推薦領(lǐng)域中。但現(xiàn)有的研究在信息輸入端對(duì)信息特征的處理還不夠充分,比如在信息輸入端對(duì)用戶(hù)畫(huà)像、用戶(hù)行為、產(chǎn)品屬性等非用戶(hù)評(píng)分?jǐn)?shù)據(jù)未進(jìn)行深層次分類(lèi)處理研究,同時(shí)對(duì)特征融合層的研究存在不足。針對(duì)上述問(wèn)題,本文對(duì)推薦算法的特征提取進(jìn)行了深入研究,提出以下改進(jìn):1、針對(duì)推薦系統(tǒng)存在用戶(hù)和項(xiàng)目信息提取不充分的問(wèn)題,通過(guò)將用戶(hù)和項(xiàng)目的輔助信息劃分為淺層語(yǔ)義信息和深層語(yǔ)義信息,... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全球數(shù)據(jù)總量趨勢(shì)圖

第一章緒論2或者計(jì)算項(xiàng)目與項(xiàng)目之間的相似度，來(lái)給具有相似興趣點(diǎn)的用戶(hù)之間互相推薦項(xiàng)目，又或是給用戶(hù)推薦感興趣的項(xiàng)目。推薦系統(tǒng)的出現(xiàn)，帶給了用戶(hù)極佳體驗(yàn)的同時(shí)，給電子商戶(hù)帶來(lái)了豐厚的盈利回報(bào)。圖1-2微博熱門(mén)榜單推薦當(dāng)前，推薦系統(tǒng)已廣泛應(yīng)用在各種領(lǐng)域，如美團(tuán)外賣(mài)、百度外賣(mài)等線(xiàn)上餐飲行業(yè)，如攜程、馬蜂窩等旅游平臺(tái)；如阿里巴巴、亞馬遜等線(xiàn)上購(gòu)物平臺(tái)，如網(wǎng)易云音樂(lè)、QQ音樂(lè)等音樂(lè)平臺(tái)。推薦系統(tǒng)的應(yīng)用帶給我們豐富的線(xiàn)上體驗(yàn)的同時(shí)，也影響著我們生活的各個(gè)方面。主流的推薦算法可以分為基于流行度的推薦算法、協(xié)同過(guò)濾推薦算法、基于內(nèi)容的推薦算法和混合推薦算法�；诹餍卸鹊耐扑]算法[1]較為簡(jiǎn)單，它是通過(guò)選取用戶(hù)點(diǎn)擊率高的信息進(jìn)行排序，接著選取前N個(gè)熱點(diǎn)進(jìn)行推薦，圖1-2是微博一個(gè)熱門(mén)榜單推薦，該算法雖然簡(jiǎn)單，但由于不具有針對(duì)性，所以推薦效果不佳；協(xié)同過(guò)濾推薦系統(tǒng)[2]分為基于用戶(hù)的協(xié)同過(guò)濾、基于項(xiàng)目的協(xié)同過(guò)濾和基于模型的協(xié)同過(guò)濾，協(xié)同過(guò)濾是一種“集體智慧”的體現(xiàn)，這種“集體智慧”是通過(guò)在用戶(hù)和項(xiàng)目之間建立一種關(guān)系網(wǎng)實(shí)現(xiàn)的，這種關(guān)系網(wǎng)通常為用戶(hù)評(píng)分矩陣，比如在一群用戶(hù)中找到與目標(biāo)用戶(hù)興趣偏好相似的用戶(hù)，這就需要計(jì)算目標(biāo)用戶(hù)的項(xiàng)目評(píng)分矩陣與需要計(jì)算的用戶(hù)項(xiàng)目評(píng)分矩陣的相似度，從而篩選出最相似的那部分用戶(hù)，給予推薦，協(xié)同過(guò)濾推薦算法可以解決一些難以進(jìn)行內(nèi)容分析的項(xiàng)目，如音樂(lè)、藝術(shù)等，也可以解決一些用戶(hù)從未接觸過(guò)的東西，即長(zhǎng)尾效應(yīng)問(wèn)題（Longtaileffect）,但由于比較依賴(lài)用戶(hù)評(píng)分矩陣，對(duì)數(shù)據(jù)稀疏性問(wèn)題、冷啟動(dòng)問(wèn)題表現(xiàn)不佳，數(shù)據(jù)稀疏性問(wèn)題即用戶(hù)與項(xiàng)目之間存在部分項(xiàng)目沒(méi)有進(jìn)行任何交互行為或

級(jí)聯(lián)式等方式整合多種推薦算法來(lái)進(jìn)行推薦，如網(wǎng)易云音樂(lè)等，這種采取眾多推薦算法結(jié)合的方式，雖然可以彌補(bǔ)各自推薦算法的缺點(diǎn)，但也存在針對(duì)性不強(qiáng)和模型的復(fù)雜度遞增。傳統(tǒng)的推薦算法不能有效的解決數(shù)據(jù)稀疏的問(wèn)題，這就需要有一種能夠?qū)W習(xí)到用戶(hù)特征，能夠抓住用戶(hù)和項(xiàng)目之間的內(nèi)在聯(lián)系，從而抓住用戶(hù)的興趣點(diǎn)，給予恰到好處的推薦。深度學(xué)習(xí)技術(shù)能夠從異構(gòu)多源且豐富的用戶(hù)行為數(shù)據(jù)和項(xiàng)目信息中自主學(xué)習(xí)到深層次的特征表示，其強(qiáng)大的特征學(xué)習(xí)能力解決了傳統(tǒng)的推薦算法所遇到的問(wèn)題，因此得到了越來(lái)越多學(xué)者的關(guān)注。圖1-3YouTube基于深度學(xué)習(xí)的視頻推薦自1986年，由Hinton等提出快速計(jì)算受限玻耳茲曼機(jī)(RBM)[5]之后，深度學(xué)習(xí)得到了廣泛的研究，在圖像領(lǐng)域[6]、音頻領(lǐng)域[7]、自然語(yǔ)言領(lǐng)域[8]等取得了突破性的進(jìn)展。由于深度學(xué)習(xí)模型具有普適性的優(yōu)點(diǎn)，所以有大量學(xué)者引入了深度學(xué)習(xí)的思想，給推薦系統(tǒng)領(lǐng)域的研究注入了新的活力，圖1-3是YouTube基于深度學(xué)習(xí)的視頻推薦。雖然深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域已取得了初步成效，但遠(yuǎn)遠(yuǎn)沒(méi)有達(dá)到在其他領(lǐng)域取得的成績(jī)。近年來(lái)，隨著用戶(hù)對(duì)項(xiàng)目的交互行為的增加，越來(lái)越多的研究學(xué)者將用戶(hù)的行為、項(xiàng)目屬性等輔助信息加入到了推薦算法中，已有

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)矩陣分解與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的推薦模型[J]. 蔡念,劉廣聰,蔡紅丹.  計(jì)算機(jī)工程與應(yīng)用. 2019(19)
[2]棧式降噪自編碼器的標(biāo)簽協(xié)同過(guò)濾推薦算法[J]. 霍歡,鄭德原,高麗萍,楊滬滬,劉亮,張薇.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[3]利用社交關(guān)系的實(shí)值條件受限玻爾茲曼機(jī)協(xié)同過(guò)濾推薦算法[J]. 何潔月,馬貝.  計(jì)算機(jī)學(xué)報(bào). 2016(01)
[4]基于時(shí)序行為的協(xié)同過(guò)濾推薦算法[J]. 孫光福,吳樂(lè),劉淇,朱琛,陳恩紅.  軟件學(xué)報(bào). 2013(11)
[5]不確定近鄰的協(xié)同過(guò)濾推薦算法[J]. 黃創(chuàng)光,印鑒,汪靜,劉玉葆,王甲海.  計(jì)算機(jī)學(xué)報(bào). 2010(08)
[6]適應(yīng)用戶(hù)興趣變化的協(xié)同過(guò)濾推薦算法[J]. 邢春曉,高鳳榮,戰(zhàn)思南,周立柱.  計(jì)算機(jī)研究與發(fā)展. 2007(02)
[7]使用BP神經(jīng)網(wǎng)絡(luò)緩解協(xié)同過(guò)濾推薦算法的稀疏性問(wèn)題[J]. 張鋒,常會(huì)友.  計(jì)算機(jī)研究與發(fā)展. 2006(04)
[8]基于項(xiàng)目評(píng)分預(yù)測(cè)的協(xié)同過(guò)濾推薦算法[J]. 鄧愛(ài)林,朱揚(yáng)勇,施伯樂(lè).  軟件學(xué)報(bào). 2003(09)
[9]個(gè)性化推薦算法設(shè)計(jì)[J]. 趙亮,胡乃靜,張守志.  計(jì)算機(jī)研究與發(fā)展. 2002(08)



本文編號(hào)：3613365