隨著互聯(lián)網(wǎng)信息技術(shù)的飛速發(fā)展和各種電子設(shè)備的普及運(yùn)用,眾多Web網(wǎng)站和APP應(yīng)運(yùn)而生,給人們的日常生活帶來(lái)極大便利,人們的衣食住行變得更加方便快捷,但這又反過(guò)來(lái)促進(jìn)了用戶和信息量的增長(zhǎng)、內(nèi)容的復(fù)雜性以及動(dòng)態(tài)性也在不斷提高。信息與人們之間的關(guān)系密不可分的時(shí)代,已經(jīng)成為了人們生存發(fā)展的一種非物質(zhì)工具。然而信息爆炸性增長(zhǎng)也給人們也帶來(lái)了煩惱,傳統(tǒng)的搜索引擎和工具尋找起來(lái)費(fèi)時(shí)費(fèi)力,簡(jiǎn)單的檢索系統(tǒng)已經(jīng)不能滿足用戶尋找的需求;網(wǎng)上的資源信息時(shí)刻發(fā)生變化,也增加了人們準(zhǔn)確尋找所需的困難;人們興趣的頻繁改變也給準(zhǔn)確的推薦帶來(lái)了很大的困難。針對(duì)以上問(wèn)題,近年來(lái)研究者們提出了很多解決方案,但由于推薦場(chǎng)景、物品類型、數(shù)據(jù)集完備性等方面的復(fù)雜性,這些方案的推薦精準(zhǔn)度仍有較大提升空間。本文主要研究用戶對(duì)電影的喜好推薦,將深度學(xué)習(xí)技術(shù)與推薦系統(tǒng)相結(jié)合,使用MovieLens公開(kāi)數(shù)據(jù)集提供的用戶信息、電影信息以及用戶對(duì)電影的評(píng)分信息作為推薦系統(tǒng)的輸入,匹配出符合的電影資源對(duì)用戶進(jìn)行推薦。本文的主要工作在于:(1)首先,考慮到用戶興趣的長(zhǎng)期穩(wěn)定性,基于降噪自編碼器提取出用戶對(duì)電影興趣的長(zhǎng)期模型;(2)其次,考慮到用戶...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
2 相關(guān)理論基礎(chǔ)
    2.1 研究的相關(guān)問(wèn)題
        2.1.1 推薦系統(tǒng)理論
        2.1.2 推薦系統(tǒng)工作原理
        2.1.3 基于內(nèi)容的推薦算法
        2.1.4 基于協(xié)同過(guò)濾的推薦算法
        2.1.5 基于關(guān)聯(lián)規(guī)則的推薦算法
        2.1.6 基于聚類的推薦算法
        2.1.7 基于混合推薦的算法
    2.2 深度學(xué)習(xí)的相關(guān)技術(shù)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 遞歸卷積神經(jīng)網(wǎng)絡(luò)
        2.2.3 自編碼器
        2.2.4 受限玻爾茲曼機(jī)
        2.2.5 深度信念網(wǎng)絡(luò)
    2.3 基于深度學(xué)習(xí)的推薦系統(tǒng)
        2.3.1 基于內(nèi)容的深度學(xué)習(xí)推薦系統(tǒng)
        2.3.2 基于協(xié)同過(guò)濾的深度學(xué)習(xí)推薦系統(tǒng)
        2.3.3 基于混合推薦的深度學(xué)習(xí)推薦系統(tǒng)
    2.4 本章小結(jié)
3 基于用戶長(zhǎng)期興趣模型的推薦算法
    3.1 輸入數(shù)據(jù)集獲取
        3.1.1 顯式信息特征提取
        3.1.2 隱式信息特征提取
    3.2 數(shù)據(jù)預(yù)處理
        3.2.1 獨(dú)熱編碼
        3.2.2 數(shù)據(jù)清洗
    3.3 基于降噪自編碼器構(gòu)建用戶長(zhǎng)期興趣模型
        3.3.1 模型的設(shè)計(jì)思路
        3.3.2 算法模型
    3.4 算法評(píng)估指標(biāo)
        3.4.1 準(zhǔn)確性指標(biāo)
        3.4.2 非準(zhǔn)確性指標(biāo)
    3.5 本章小結(jié)
4 基于用戶長(zhǎng)短期動(dòng)態(tài)興趣模型的推薦算法
    4.1 基于時(shí)間敏感度算法構(gòu)建短期興趣模型
        4.1.1 模型的設(shè)計(jì)思路
        4.1.2 算法模型
    4.2 用戶長(zhǎng)短期動(dòng)態(tài)興趣模型
        4.2.1 模型的設(shè)計(jì)思路
        4.2.2 算法模型
    4.3 本章小結(jié)
5 實(shí)驗(yàn)結(jié)果及分析
    5.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集劃分
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 數(shù)據(jù)集劃分
    5.2 算法評(píng)估指標(biāo)
    5.3 設(shè)計(jì)對(duì)比實(shí)驗(yàn)
    5.4 實(shí)驗(yàn)結(jié)果分析
6 總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間所取得的研究成果
致謝



本文編號(hào)：3856470