由于互聯(lián)網(wǎng)行業(yè)的持續(xù)發(fā)酵以及科學(xué)技術(shù)的不斷發(fā)展,信息的輸出呈現(xiàn)爆發(fā)態(tài)勢,這也導(dǎo)致信息過載問題的出現(xiàn)。曾經(jīng),人們獲取知識的主要手段是依據(jù)不同分類目錄進(jìn)行檢索,之后進(jìn)化為通過搜索工具(例如,搜索引擎)進(jìn)行主動式搜索。但以上方式都是基于信息消費者知曉自我需求,并且有根據(jù)需求去進(jìn)行自我發(fā)掘知識的欲望。當(dāng)主動探求的欲望達(dá)到瓶頸,信息過載問題就會尤為凸顯。這時,一種可以自行發(fā)掘用戶需求、滿足用戶興趣的新型信息獲取方式就隨之應(yīng)運而生,這種方式就是推薦系統(tǒng)。推薦系統(tǒng)的主要任務(wù)就是溝通信息生產(chǎn)者和信息消費者,一方面將信息生產(chǎn)者生產(chǎn)的信息推送給目標(biāo)客戶,另一方面為信息消費者尋找感興趣的相關(guān)信息,而這一過程無需顯式地提供目標(biāo)需求。深度學(xué)習(xí)方法在諸多領(lǐng)域都取得了卓越的成效,使用深度學(xué)習(xí)方法來解決推薦問題是當(dāng)前推薦模型研究的熱點之一。神經(jīng)協(xié)同過濾推薦框架就是一種使用神經(jīng)網(wǎng)絡(luò)手段擴(kuò)展傳統(tǒng)協(xié)同過濾的一種深度學(xué)習(xí)代表性方法。但無論是傳統(tǒng)推薦模型還是基于深度學(xué)習(xí)的推薦模型,都會面臨數(shù)據(jù)稀疏問題。緩解數(shù)據(jù)稀疏問題的一種方法是使用邊信息例如社交關(guān)系數(shù)據(jù)進(jìn)行擴(kuò)展。當(dāng)前的神經(jīng)協(xié)同過濾方法未能引入社交信息以提升推薦效果,本文以提...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)理論簡介
    2.1 推薦系統(tǒng)
        2.1.1 理論基礎(chǔ)
        2.1.2 評價標(biāo)準(zhǔn)
        2.1.3 面臨的問題與挑戰(zhàn)
    2.2 深度學(xué)習(xí)基礎(chǔ)理論
        2.2.1 多層感知機(jī)
        2.2.2 自編碼器
        2.2.3 注意力機(jī)制
    2.3 本章小結(jié)
第3章 神經(jīng)協(xié)同過濾框架模型
    3.1 神經(jīng)協(xié)同過濾框架
    3.2 框架擴(kuò)展實例AGREE
    3.3 本章小結(jié)
第4章 融合社交關(guān)系的注意力模型
    4.1 模型基本結(jié)構(gòu)
    4.2 數(shù)據(jù)嵌入
    4.3 特征提取
    4.4 特征融合
    4.5 完整模型
    4.6 本章小結(jié)
第5章 實驗與結(jié)果分析
    5.1 實驗數(shù)據(jù)與實驗環(huán)境
        5.1.1 實驗數(shù)據(jù)集
        5.1.2 實驗環(huán)境
    5.2 實驗評價標(biāo)準(zhǔn)
    5.3 實驗方案
    5.4 實驗結(jié)果與分析
        5.4.1 模型對比
        5.4.2 參數(shù)分析
        5.4.3 模型整體性分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來工作方向
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



本文編號：3753426