發(fā)布時(shí)間：2023-04-11 21:48

　　在信息爆炸的時(shí)代,推薦系統(tǒng)扮演著不可或缺的角色,為人們的生活提供了諸多便利。作為人工智能領(lǐng)域重要的研究課題,推薦系統(tǒng)的研究越來(lái)越受到學(xué)術(shù)界和工業(yè)界的關(guān)注。近年來(lái),隨著技術(shù)的不斷發(fā)展,深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等眾多研究領(lǐng)域都取得了突破性進(jìn)展,也為推薦系統(tǒng)的研究帶來(lái)了新的機(jī)遇。目前,基于深度學(xué)習(xí)的推薦系統(tǒng)已經(jīng)成為該領(lǐng)域的研究熱點(diǎn),許多深度推薦模型已經(jīng)被開(kāi)發(fā)出來(lái),并被證明取得了極大的進(jìn)步。然而,傳統(tǒng)的推薦算法大多基于用戶的長(zhǎng)期偏好或短期偏好,對(duì)用戶長(zhǎng)短期偏好聯(lián)合建模的研究尚且不足,因此基于用戶長(zhǎng)短期偏好的推薦系統(tǒng)是一個(gè)重要的研究方向。研究發(fā)現(xiàn)用戶歷史交互中的異常行為無(wú)法體現(xiàn)用戶本身固有的偏好,如果不對(duì)這些異常行為加以甄別將損害推薦系統(tǒng)的性能。針對(duì)上述問(wèn)題,本文主要的創(chuàng)新工作如下:(1)為了實(shí)現(xiàn)長(zhǎng)期偏好和短期偏好的深度聯(lián)合建模,提供更高質(zhì)量的推薦結(jié)果,本文提出一種基于深度神經(jīng)網(wǎng)絡(luò)的長(zhǎng)短期偏好推薦系統(tǒng)模型(Long and Short-term Preferences Model,LSPM)。LSPM利用LSTM網(wǎng)絡(luò)和自注意力機(jī)制從用戶最近的歷史交互中學(xué)習(xí)用戶的短期偏好,利用神經(jīng)隱含因...

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
    1.2 研究?jī)?nèi)容與意義
    1.3 國(guó)內(nèi)外研究概況
    1.4 論文安排
第二章 神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)概述
    2.1 推薦系統(tǒng)簡(jiǎn)介
    2.2 神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)分析
    2.3 本章小結(jié)
第三章 基于長(zhǎng)短期偏好深度聯(lián)合建模的個(gè)性化推薦
    3.1 長(zhǎng)短期偏好對(duì)推薦結(jié)果影響分析
    3.2 LSPM模型框架與實(shí)現(xiàn)
    3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 異常行為影響消除模型
    4.1 異常行為對(duì)推薦效果的影響
    4.2 UBEEM模型框架與實(shí)現(xiàn)
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
附錄1 攻讀學(xué)位期間發(fā)表論文目錄及參與項(xiàng)目情況



本文編號(hào)：3789810