發(fā)布時(shí)間：2023-01-12 12:46

　　隨著互聯(lián)網(wǎng)的發(fā)展,線上信息的體量和更新速率不斷增長,信息過載問題日益嚴(yán)重,網(wǎng)絡(luò)用戶想獲取自己所需的信息變得十分困難,推薦系統(tǒng)作為一種能解決信息過載問題的策略已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域。傳統(tǒng)推薦算法大多只利用用戶評分信息學(xué)習(xí)隱式特征,表示用戶偏好從而進(jìn)行推薦,雖然在實(shí)驗(yàn)中效果不錯(cuò),但是實(shí)際應(yīng)用中經(jīng)常會出現(xiàn)冷啟動以及數(shù)據(jù)稀疏問題從而導(dǎo)致推薦結(jié)果不夠精確。隨著人工智能技術(shù)的發(fā)展,推薦系統(tǒng)這一領(lǐng)域又有了新的研究方向,基于深度學(xué)習(xí)的推薦算法也是現(xiàn)在研究的熱門之一。針對傳統(tǒng)推薦算法中推薦結(jié)果不夠精確的問題,本文結(jié)合深度學(xué)習(xí)在特征提取方面的優(yōu)勢,主要做了以下幾方面的研究工作:1.對推薦系統(tǒng)領(lǐng)域做了較深入的研究和介紹,包括推薦系統(tǒng)的研究背景和現(xiàn)狀,經(jīng)典推薦算法的概述并分析其不足,本文使用的深度學(xué)習(xí)模型以及基于此模型的相關(guān)推薦算法。2.針對傳統(tǒng)推薦算法中推薦結(jié)果不夠精確的問題,提出了一種基于標(biāo)簽信息和降噪自編碼器的推薦算法U-TDAE。U-TDAE利用降噪自編碼器在特征提取方面的優(yōu)勢,對用戶的深層特征進(jìn)行提取。同時(shí)對降噪自編碼器的激活函數(shù)進(jìn)行改進(jìn)使其在訓(xùn)練過程中融入了標(biāo)簽信息,在數(shù)據(jù)稀疏時(shí)可以將標(biāo)簽向量當(dāng)... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外的研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 推薦系統(tǒng)研究綜述
    2.1 推薦系統(tǒng)任務(wù)概述
    2.2 經(jīng)典推薦算法
        2.2.1 基于內(nèi)容的推薦算法
        2.2.2 協(xié)同過濾算法
        2.2.3 混合推薦算法
    2.3 自編碼器
    2.4 激活函數(shù)
    2.5 基于自編碼器的推薦算法
    2.6 本章小結(jié)
第3章 基于標(biāo)簽信息和降噪自編碼器的推薦算法
    3.1 基于標(biāo)簽信息和降噪自編碼器的推薦算法
        3.1.1 算法設(shè)計(jì)流程
        3.1.2 降噪自編碼器
        3.1.3 訓(xùn)練降噪自編碼器模型
        3.1.4 融入標(biāo)簽信息的降噪自編碼器模型TDAE
        3.1.5 用戶相似度計(jì)算和評分預(yù)測
    3.2 實(shí)驗(yàn)和結(jié)果分析
        3.2.1 數(shù)據(jù)集描述及數(shù)據(jù)預(yù)處理
        3.2.2 評價(jià)標(biāo)準(zhǔn)
        3.2.3 參數(shù)選擇和調(diào)整
        3.2.4 交叉驗(yàn)證
        3.2.5 實(shí)驗(yàn)結(jié)果分析
    3.3 本章小結(jié)
第4章 基于項(xiàng)目相似度權(quán)重和降噪自編碼器的推薦算法
    4.1 基于項(xiàng)目相似度權(quán)重的用戶相似度計(jì)算
    4.2 基于項(xiàng)目相似度權(quán)重和降噪自編碼器的推薦算法
        4.2.1 算法設(shè)計(jì)流程
        4.2.2 訓(xùn)練降噪自編碼器
        4.2.3 用戶相似度計(jì)算
        4.2.4 評分預(yù)測
    4.3 實(shí)驗(yàn)和結(jié)果分析
        4.3.1 數(shù)據(jù)集描述及數(shù)據(jù)預(yù)處理
        4.3.2 參數(shù)選擇和調(diào)整
        4.3.3 實(shí)驗(yàn)結(jié)果分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
參考文獻(xiàn)
作者簡介及在學(xué)期間所取得的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)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(jì)算機(jī)學(xué)報(bào). 2018(07)
[2]個(gè)性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)
[3]基于用戶特征和項(xiàng)目屬性的協(xié)同過濾推薦算法[J]. 陳志敏,李志強(qiáng).  計(jì)算機(jī)應(yīng)用. 2011(07)



本文編號：3729944