推薦系統(tǒng)從九十年代提出以來(lái)就不斷地為人民生活帶來(lái)便利,當(dāng)前的信息時(shí)代正是推薦算法施展作用的大好時(shí)機(jī)。推薦系統(tǒng)對(duì)于電商平臺(tái)有著重要的意義,它能夠幫助平臺(tái)提升流量、賺取廣告費(fèi)和提高商品銷量等,所以各大電商平臺(tái)基本上都有自己的推薦系統(tǒng),這些平臺(tái)中都充斥著大量的可用信息。利用各種輔助數(shù)據(jù)為推薦系統(tǒng)提高預(yù)測(cè)性能已經(jīng)成為一種研究趨勢(shì)。本文順應(yīng)這種趨勢(shì),致力于研究如何更好地結(jié)合輔助信息來(lái)提高電商平臺(tái)推薦算法的性能。然而隨著電商平臺(tái)的增多,用戶的瀏覽難度也在增加,經(jīng)常需要切換不同的網(wǎng)站進(jìn)行對(duì)比購(gòu)物,這對(duì)用戶來(lái)說(shuō)也是不方便的,所以對(duì)于跨平臺(tái)的電商網(wǎng)站的研發(fā)具有現(xiàn)實(shí)意義。本文的主要工作包括以下幾點(diǎn):(1)本文提出了一種名為HRNrec的融合推薦模型,該模型分別通過(guò)兩種構(gòu)圖方法獲取用戶和物品之間的特征關(guān)系,然后將其輸入融合的神經(jīng)網(wǎng)絡(luò)模型來(lái)生成推薦結(jié)果。第一種構(gòu)圖方法是構(gòu)建“買家-產(chǎn)品-類別”三部圖,然后通過(guò)隨機(jī)游走算法進(jìn)行游走概率計(jì)算,最后生成融合的推薦模型的第一部分輸入。第二種構(gòu)圖法是利用異構(gòu)信息網(wǎng)絡(luò)得到元圖,通過(guò)元路徑的計(jì)算方法求解元圖中用戶和物品的相似度矩陣,再通過(guò)概率矩陣分解方法得到相關(guān)特征向量,從...

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要內(nèi)容
    1.4 本文的內(nèi)容結(jié)構(gòu)
第二章 推薦領(lǐng)域相關(guān)知識(shí)介紹
    2.1 引言
    2.2 推薦系統(tǒng)及其算法
        2.2.1 推薦系統(tǒng)
        2.2.2 推薦算法
        2.2.3 推薦系統(tǒng)中的輔助信息
    2.3 異構(gòu)信息網(wǎng)絡(luò)概述
    2.4 矩陣分解算法概述
    2.5 深度學(xué)習(xí)模型在推薦系統(tǒng)中的應(yīng)用
        2.5.1 基于多層感知機(jī)的推薦算法研究
        2.5.2 基于自編碼器的推薦算法研究
        2.5.3 基于卷積神經(jīng)網(wǎng)絡(luò)模型的推薦算法研究
        2.5.4 基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的推薦算法研究
        2.5.5 基于生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)模型的推薦算法研究
        2.5.6 基于受限玻爾茲曼機(jī)模型的推薦算法研究
    2.6 本章小結(jié)
第三章 結(jié)合兩種構(gòu)圖方法的推薦算法的設(shè)計(jì)與實(shí)現(xiàn)
    3.1 引言
    3.2 “買家-產(chǎn)品-類別”構(gòu)圖法
        3.2.1 構(gòu)建三部圖
        3.2.2 隨機(jī)游走獲得輸入向量
    3.3 異構(gòu)信息網(wǎng)絡(luò)構(gòu)圖法
        3.3.1 搭建異構(gòu)信息網(wǎng)絡(luò)
        3.3.2 構(gòu)造元路徑
        3.3.3 求解元路徑
        3.3.4 獲得特征向量
    3.4 融合的神經(jīng)網(wǎng)絡(luò)推薦模型
    3.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        3.5.1 數(shù)據(jù)集介紹與處理
        3.5.2 實(shí)驗(yàn)設(shè)計(jì)
        3.5.3 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第四章 電商推薦算法的設(shè)計(jì)與實(shí)現(xiàn)
    4.1 引言
    4.2 算法設(shè)計(jì)
        4.2.1 邊權(quán)重優(yōu)化方法
        4.2.2 游走概率調(diào)節(jié)策略
    4.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.3.1 實(shí)驗(yàn)設(shè)計(jì)
        4.3.2 結(jié)果分析
    4.4 本章小結(jié)
第五章 跨平臺(tái)的電商推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
    5.1 引言
    5.2 需求分析
        5.2.1 功能需求
        5.2.2 性能需求
        5.2.3 開發(fā)和運(yùn)行環(huán)境需求
    5.3 系統(tǒng)設(shè)計(jì)
        5.3.1 架構(gòu)設(shè)計(jì)
        5.3.2 用例設(shè)計(jì)
        5.3.3 系統(tǒng)交互過(guò)程分析
        5.3.4 模塊設(shè)計(jì)
        5.3.5 數(shù)據(jù)庫(kù)設(shè)計(jì)
    5.4 模塊設(shè)計(jì)與實(shí)現(xiàn)
        5.4.1 商品信息爬取模塊
        5.4.2 用戶功能模塊
        5.4.3 商品展示模塊
        5.4.4 商品推薦模塊
    5.5 系統(tǒng)測(cè)試
        5.5.1 功能測(cè)試
        5.5.2 性能測(cè)試
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來(lái)展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3846678