隨著網(wǎng)絡平臺的流行和網(wǎng)絡信息的急劇增多,如今互聯(lián)網(wǎng)中的信息量已經(jīng)遠遠超出了人們的需求范圍。海量數(shù)據(jù)的涌現(xiàn)反而使信息的利用率降低,如何快速、準確地在龐大的數(shù)據(jù)中定位到有用的信息是一個急需解決的問題。推薦系統(tǒng)的出現(xiàn)極大地緩解了這種難題,它在大數(shù)據(jù)的背景下為用戶與商品之間建立了聯(lián)系,從而有效地提高了用戶滿意度和商家效率。協(xié)同過濾是一種重要的推薦算法,也是目前最常見的預測用戶喜好的方法。然而,傳統(tǒng)的協(xié)同過濾僅通過評分信息推測用戶的偏好,由于評分數(shù)據(jù)稀疏問題,推薦的質量會受到嚴重的影響。此外,傳統(tǒng)的協(xié)同過濾中只含有線性的運算,無法提取數(shù)據(jù)中的非線性因素,這也會使算法的性能受限�；谝陨蠁栴},本文在降噪自編碼器的基礎上提出了兩種信任感知的預測模型,主要工作如下:(1)提出了整合顯式信任信息的評分預測模型TDAE。首先,將用戶在社交網(wǎng)絡中的顯式信任信息處理成有效的向量表示;其次,使用降噪自編碼器整合用戶的評分和顯式信任關系;最后,通過神經(jīng)網(wǎng)絡的非線性運算獲得更精準的用戶偏好。(2)提出了整合隱式信任信息的評分預測模型TDAE++。首先,選擇皮爾森相關系數(shù)的改進算法從用戶的評分中提取隱式的信任關系;其...

【文章頁數(shù)】：44 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 引言
    1.1 研究背景
    1.2 研究意義
    1.3 研究現(xiàn)狀
    1.4 研究內容及組織結構
        1.4.1 研究內容
        1.4.2 本文組織結構
第二章 推薦系統(tǒng)相關知識概述
    2.1 推薦系統(tǒng)簡介
    2.2 推薦系統(tǒng)算法概述
        2.2.1 基于內容的推薦
        2.2.2 協(xié)同過濾
        2.2.3 混合推薦
    2.3 信任數(shù)據(jù)在推薦系統(tǒng)中的應用
        2.3.1 信任數(shù)據(jù)
        2.3.2 信任關系度量方法
        2.3.3 信任感知的推薦算法
    2.4 本章小結
第三章 自編碼器相關知識概述
    3.1 自編碼器
    3.2 降噪自編碼器
    3.3 自編碼器的應用
        3.3.1 CFN
        3.3.2 aSDAE
    3.4 本章小結
第四章 整合信任信息的推薦算法研究
    4.1 顯式信任數(shù)據(jù)與降噪自編碼器的整合
        4.1.1 數(shù)據(jù)處理
        4.1.2 顯式信任信息的整合
    4.2 隱式信任數(shù)據(jù)與降噪自編碼器的整合
        4.2.1 隱式信任信息處理
        4.2.2 隱式信任信息的整合
    4.3 損失函數(shù)
    4.4 本章小結
第五章 實驗結果與分析
    5.1 數(shù)據(jù)集
    5.2 對比方法
    5.3 評估指標
    5.4 實驗實施細節(jié)
    5.5 實驗結果及分析
    5.6 本章小結
第六章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
在學期間公開發(fā)表論文及著作情況



本文編號：3744216