隨著互聯網技術的快速發(fā)展,在給用戶帶來諸多方便、滿足用戶需求的同時,也伴隨著帶來了信息過載問題。如何從龐大的信息中快速找到感興趣的信息變得及其重要,個性化推薦也因此變得比較熱門,電商平臺通常利用用戶平時購買商品的記錄、門戶網站通常根據用戶瀏覽新聞的類別、娛樂行業(yè)通過分析用戶觀看電影的類型等歷史行為數據來挖掘用戶的興趣,并對其進行推薦相關的信息。通常根據用戶維度、物品維度、或者深度學習的模型對推薦算法進行劃分。盡管傳統的協同過濾推薦算法已經在廣泛的使用,但是該算法仍然存在推薦精度不高、新物品的冷啟動問題等。本文旨在利用深度學習模型改善推薦算法的精確度。本文主要的工作:介紹傳統推薦算法(基于用戶的UserCF推薦算法、基于物品的ItemCF推薦算法、基于矩陣分解的FunkSVD推薦算法)的原理,并基于1M的movielens數據集對上述算法進行實驗。通過實驗分析得知UserCF推薦算法和ItemCF推薦算法二者推薦的精確率和覆蓋率較低,同時FunkSVD算法預測的結果和實際情況偏差較大。近些年隨著深度學習的火熱興起,采用深度學習模型和協同過濾算法結合也變的越來越熱門。為了解決上述問題,本文...

【文章頁數】：84 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現狀
    1.3 研究內容
    1.4 論文結構與組織
第2章 傳統推薦算法
    2.1 智能推薦
    2.2 傳統數據挖掘推薦算法
        2.2.1 基于用戶的協同過濾推薦算法
        2.2.2 基于物品的協同過濾推薦算法
        2.2.3 基于模型的協同過濾推薦算法
    2.3 實驗結果
        2.3.1 數據集
        2.3.2 推薦算法評價指標
        2.3.3 實驗結果及分析
    2.4 本章小結
第3章 改進的K-Item RBM推薦算法
    3.1 受限玻爾茲曼機
        3.1.1 玻爾茲曼機
        3.1.2 受限玻爾茲曼機
    3.2 算法模型
        3.2.1 模型訓練特征的選取
        3.2.2 受限玻爾茲曼機模型結構
        3.2.3 改進的K-Item RBM推薦算法
    3.3 實驗結果
        3.3.1 數據預處理
        3.3.2 實驗結果
    3.4 算法對比分析
    3.5 本章小結
第4章 改進的CNN-CF推薦算法
    4.1 神經網絡
        4.1.1 傳統神經網絡
        4.1.2 卷積神經網絡(CNN)
        4.1.3 卷積神經網絡(CNN)與文本分類
    4.2 算法模型
        4.2.1 訓練數據的特征描述
        4.2.2 改進的CNN-CF算法模型結構
    4.3 實驗結果
    4.4 算法對比分析
    4.5 本章小結
第5章 推薦算法的應用
    5.1 電影推薦系統的需求
    5.2 電影推薦系統的設計
        5.2.1 電影推薦系統UI設計
        5.2.2 電影推薦系統數據庫設計
    5.3 電影推薦系統的實現
        5.3.1 requests模塊介紹
        5.3.2 lxml模塊介紹
        5.3.3 django框架介紹
    5.4 電影推薦系統成果
    5.5 本章小結
總結與展望
    1.主要工作總結
    2.未來工作展望
參考文獻
致謝
附錄A(攻讀學位期間所發(fā)表的學術論文)
附錄B(攻讀學位期間所參與的科研項目)



本文編號：3786732