隨著互聯(lián)網(wǎng)技術的迅速發(fā)展和數(shù)據(jù)量的激增,能夠有效解決信息過載現(xiàn)象的推薦系統(tǒng)應運而生。協(xié)同過濾推薦算法是推薦系統(tǒng)中應用最廣泛、發(fā)展最快的一種算法。由于只利用了用戶和項目的交互信息,它的發(fā)展受到了數(shù)據(jù)稀疏性和冷啟動問題的嚴重影響,這導致算法的準確率受到了限制。研究表明,引入輔助信息可以有效緩解協(xié)同過濾算法的冷啟動、數(shù)據(jù)稀疏問題,但淺層模型具有特征提取效果不佳的缺點。近年來,將深度學習模型應用于推薦系統(tǒng)的方法不斷涌現(xiàn),但以上問題仍然存在。針對這些問題,本文利用深度學習中的層疊稀疏降噪自編碼器,將輔助信息融入推薦算法來增強算法的特征提取能力,更準確地完成評分的預測。主要研究內(nèi)容有以下幾點:1.提出“層疊稀疏降噪自編碼器增強的基于用戶分類的隱含因子算法”,該算法采用“深層模型提取項目特征+淺層模型提取用戶特征”的組合模式。用戶特征提取:使用系統(tǒng)評分制度的平均值改進指示函數(shù)的判定條件,使其更具有合理性,并將用戶分類矩陣融入到隱含因子模型的預測評分中,通過用戶分類,判定新用戶所屬類別,有效解決了新用戶冷啟動的問題。項目冷啟動、數(shù)據(jù)稀疏、淺層模型特征提取能力有限的問題:使用“深度學習+隱含因子模型”的...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
        1.1.1 推薦系統(tǒng)
        1.1.2 深度學習
    1.2 研究意義
    1.3 研究現(xiàn)狀
    1.4 本文研究內(nèi)容和創(chuàng)新點
        1.4.1 本文研究內(nèi)容
        1.4.2 本文的創(chuàng)新點
    1.5 本文組織結構
第2章 相關理論與方法
    2.1 推薦系統(tǒng)
        2.1.1 推薦算法分類
        2.1.2 推薦算法質量評估指標
    2.2 隱含因子模型
    2.3 自編碼器相關理論知識
        2.3.1 自編碼器
        2.3.2 降噪自編碼器
        2.3.3 稀疏自編碼器
        2.3.4 層疊稀疏降噪自編碼器
    2.4 本章小結
第3章 sSDAE增強的基于用戶分類的隱含因子算法
    3.1 擬解決的問題
    3.2 sSDAE增強的基于用戶分類的隱含因子算法設計
        3.2.1 sSDA-UCLFM算法框架
        3.2.2 基于用戶分類的隱含因子算法(UCLFM)
        3.2.3 層疊稀疏降噪自編碼器(sSDAE)的實現(xiàn)
    3.3 sSDA-UCLFM算法流程
    3.4 實驗設計與結果分析
        3.4.1 實驗系統(tǒng)設計
        3.4.2 數(shù)據(jù)集構建和數(shù)據(jù)預處理
        3.4.3 實驗環(huán)境和參數(shù)設置
        3.4.4 對比實驗設計和評測指標
        3.4.5 實驗結果及分析
    3.5 本章小結
第4章 sSDAE融入輔助信息的隱含因子推薦算法
    4.1 擬解決的問題
    4.2 sSDAE融入輔助信息的隱含因子推薦算法設計
        4.2.1 sSDA-LFM算法框架
        4.2.2 sSDAE融入輔助信息的LFM算法
    4.3 sSDA-LFM算法流程
    4.4 實驗與結果分析
        4.4.1 實驗系統(tǒng)設計
        4.4.2 實驗環(huán)境和評測指標
        4.4.3 實驗參數(shù)設置
        4.4.4 對比實驗設計
        4.4.5 實驗結果及分析
    4.5 本章小結
結論
參考文獻
攻讀碩士學位期間的學術成果
致謝



本文編號：3758799