推薦系統(tǒng)作為解決信息過(guò)載的重要工具,一直在不斷發(fā)展,并且被廣泛應(yīng)用到各個(gè)領(lǐng)域中。然而由于信息量日益增加,使得推薦速度逐漸變慢,很難滿(mǎn)足現(xiàn)在信息時(shí)代對(duì)速度的要求,因而,推薦系統(tǒng)的發(fā)展陷入瓶頸。哈希推薦作為一種支持快速檢索的技術(shù)成為解決這個(gè)問(wèn)題的有效方案,并且該技術(shù)正在得到逐步發(fā)展和完善。當(dāng)前提出的哈希推薦主要包括兩種,一種是基于二階量化的哈希推薦,一種是基于學(xué)習(xí)的哈希推薦。這兩種方式都存在缺陷,前者需要?jiǎng)澐謨蓚�(gè)步驟,每一個(gè)步驟都做近似計(jì)算,損失大量信息,使得推薦的結(jié)果不夠準(zhǔn)確,后者設(shè)計(jì)的推薦模型與實(shí)際推薦場(chǎng)景中的目標(biāo)不一致,從而導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際目標(biāo)相差甚遠(yuǎn)�；诖�,本文深入研究離散推薦模型,并提出基于Gumbel-Softmax的離散化協(xié)同過(guò)濾模型(GDCF)框架。該模型框架采用基于學(xué)習(xí)的哈希推薦方法,避免由于兩階段學(xué)習(xí)帶來(lái)的損失,進(jìn)而根據(jù)具體的推薦問(wèn)題,設(shè)計(jì)出相應(yīng)的目標(biāo)函數(shù)來(lái)匹配目標(biāo),這樣可以使推薦結(jié)果和目標(biāo)結(jié)果相一致。本文在協(xié)同過(guò)濾的基礎(chǔ)上將神經(jīng)網(wǎng)絡(luò)融合進(jìn)來(lái)做二進(jìn)制推薦算法的研究。本文主要的貢獻(xiàn)如下:1.為了解決神經(jīng)網(wǎng)絡(luò)中無(wú)法做離散值的梯度更新問(wèn)題,提出利用Gumbel-Softm...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 協(xié)同過(guò)濾算法研究現(xiàn)狀
        1.2.3 哈希推薦系統(tǒng)研究現(xiàn)狀
    1.3 論文內(nèi)容與創(chuàng)新點(diǎn)
    1.4 論文章節(jié)安排
第二章 相關(guān)理論基礎(chǔ)
    2.1 協(xié)同過(guò)濾推薦算法
        2.1.1 協(xié)同過(guò)濾模型
        2.1.2 基于用戶(hù)的協(xié)同過(guò)濾
        2.1.3 基于項(xiàng)目的協(xié)同過(guò)濾
        2.1.4 基于矩陣分解的協(xié)同過(guò)濾
        2.1.5 基于神經(jīng)網(wǎng)絡(luò)的協(xié)同過(guò)濾
    2.2 基于哈希技術(shù)的推薦算法
        2.2.1 局部敏感哈希算法
        2.2.2 迭代量化哈希算法
        2.2.3 二進(jìn)制協(xié)同過(guò)濾算法
        2.2.4 保留偏好哈希算法
        2.2.5 離散協(xié)同過(guò)濾算法
    2.3 Gumbel-Softmax理論與應(yīng)用
    2.4 本章小結(jié)
第三章 基于學(xué)習(xí)的哈希推薦方法研究
    3.1 研究背景
    3.2 符號(hào)說(shuō)明
    3.3 基于Gumbel-Softmax的神經(jīng)網(wǎng)絡(luò)離散推薦方法
        3.3.1 模型框架
        3.3.2 多層感知機(jī)層
        3.3.3 離散化的廣義矩陣分解層
        3.3.4 基于Gumbel-Softmax實(shí)現(xiàn)離散優(yōu)化
        3.3.5 預(yù)測(cè)層
    3.4 算法實(shí)驗(yàn)
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)
        3.4.2 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)
        3.4.3 驗(yàn)證Gumbel-Softmax可行性
        3.4.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于生成對(duì)抗網(wǎng)絡(luò)的哈希推薦方法研究
    4.1 研究背景
    4.2 基于生成對(duì)抗網(wǎng)絡(luò)的哈希推薦方法
        4.2.1 生成對(duì)抗離散推薦模型
        4.2.2 基于Gumbel-Softmax實(shí)現(xiàn)離散優(yōu)化
        4.2.3 預(yù)訓(xùn)練模型
    4.3 算法實(shí)驗(yàn)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)
        4.3.2 實(shí)驗(yàn)設(shè)計(jì)
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.4 參數(shù)敏感實(shí)驗(yàn)
        4.3.5 性能分析實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 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)：3870166