推薦系統(tǒng)是機器學(xué)習(xí)領(lǐng)域一個大的分支,推薦系統(tǒng)的設(shè)計指推薦系統(tǒng)模型或算法的設(shè)計。本文主要研究推薦系統(tǒng)領(lǐng)域中協(xié)同過濾算法與深度學(xué)習(xí)融合模型。推薦系統(tǒng)設(shè)計是將用戶與商品的部分信息作為輸入,通過設(shè)計模型得到用戶的商品推薦列表。本文主要解決協(xié)同過濾推薦系統(tǒng)中用戶冷啟動問題。為了解決上述情況,本文提出了兩個融合深度學(xué)習(xí)的協(xié)同過濾推薦系統(tǒng)模型,商品嵌入?yún)f(xié)同過濾推薦系統(tǒng)模型和隱式反饋協(xié)同過濾推薦系統(tǒng)模型。本文主要包括以下幾個方面的工作:本文提出了一種商品嵌入方法,并利用神經(jīng)網(wǎng)絡(luò)得到一個基于隱式反饋的商品嵌入?yún)f(xié)同過濾推薦系統(tǒng)模型。該推薦系統(tǒng)對隱式數(shù)據(jù)進行處理并深入挖掘用戶與商品之間的潛在關(guān)系,通過對文本嵌入算法改進,得到商品嵌入方法,將用戶對所有商品的購買次數(shù)和目標(biāo)商品與其他商品成對購買次數(shù)映射到一個深度特征空間中。與其他相關(guān)推薦系統(tǒng)相比較,該推薦系統(tǒng)使用兩個共享參數(shù)的神經(jīng)網(wǎng)絡(luò),得到目標(biāo)用戶推薦商品序列。本文提出了一種隱式反饋協(xié)同過濾推薦系統(tǒng)模型,對推薦系統(tǒng)中的冷啟動問題提出改進方案。與傳統(tǒng)的結(jié)合方法相比較,本模型不僅考慮“用戶與商品”的交互信息而且考慮“商品與商品”相關(guān)性信息同時作為模型輸入。本模型將...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：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 基于深度學(xué)習(xí)的協(xié)同過濾推薦系統(tǒng)國內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文的主要工作與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)協(xié)同過濾推薦系統(tǒng)相關(guān)技術(shù)
    2.1 神經(jīng)協(xié)同過濾
        2.1.1 NCF學(xué)習(xí)過程
        2.1.2 多層感知機
        2.1.3 神經(jīng)矩陣分解
        2.1.4 模型與訓(xùn)練過程
    2.2 深度協(xié)同過濾NCF
    2.3 混合神經(jīng)協(xié)同過濾CCF
    2.4 本章小結(jié)
第三章 商品嵌入?yún)f(xié)同過濾推薦系統(tǒng)模型
    3.1 模型概述
    3.2 模型中相關(guān)技術(shù)介紹
        3.2.1 文本嵌入與商品嵌入
        3.2.2 模型中的負采樣技術(shù)
    3.3 融合深度學(xué)習(xí)的商品嵌入?yún)f(xié)同過濾推薦系統(tǒng)模型
    3.4 模型實驗結(jié)果及分析
        3.4.1 數(shù)據(jù)集與評價指標(biāo)
        3.4.2 驗證模型商品嵌入效果
        3.4.3 整合模型試驗結(jié)果及分析
        3.4.4 模型運行效率實驗
    3.5 商品嵌入?yún)f(xié)同過濾推薦系統(tǒng)模型在網(wǎng)頁中的應(yīng)用框架
    3.6 本章小結(jié)
第四章 隱式反饋協(xié)同過濾推薦系統(tǒng)模型
    4.1 模型概述
    4.2 模型相關(guān)技術(shù)介紹
        4.2.1 基于商品的協(xié)同過濾技術(shù)
        4.2.2 推薦系統(tǒng)中的循環(huán)神經(jīng)網(wǎng)絡(luò)
    4.3 基于神經(jīng)網(wǎng)絡(luò)的隱式反饋協(xié)同過濾推薦系統(tǒng)模型
        4.3.1 用戶與商品交互模型
        4.3.2 模型中商品與商品交互部分
        4.3.3 整合模型
    4.4 模型實驗結(jié)果及分析
        4.4.1 實驗數(shù)據(jù)與評價指標(biāo)
        4.4.2 待比較模型、優(yōu)化策略
        4.4.3 模型召回率實驗
        4.4.4 驗證模型在冷啟動問題上的表現(xiàn)
        4.4.5 驗證不同采樣率以及嵌入維度對模型性能的影響
    4.5 隱式反饋協(xié)同過濾推薦系統(tǒng)模型的應(yīng)用框架
    4.6 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻



本文編號：3926460