推薦系統(tǒng)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)大的分支,推薦系統(tǒng)的設(shè)計(jì)指推薦系統(tǒng)模型或算法的設(shè)計(jì)。本文主要研究推薦系統(tǒng)領(lǐng)域中協(xié)同過(guò)濾算法與深度學(xué)習(xí)融合模型。推薦系統(tǒng)設(shè)計(jì)是將用戶與商品的部分信息作為輸入,通過(guò)設(shè)計(jì)模型得到用戶的商品推薦列表。本文主要解決協(xié)同過(guò)濾推薦系統(tǒng)中用戶冷啟動(dòng)問(wèn)題。為了解決上述情況,本文提出了兩個(gè)融合深度學(xué)習(xí)的協(xié)同過(guò)濾推薦系統(tǒng)模型,商品嵌入?yún)f(xié)同過(guò)濾推薦系統(tǒng)模型和隱式反饋協(xié)同過(guò)濾推薦系統(tǒng)模型。本文主要包括以下幾個(gè)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(gè)基于隱式反饋的商品嵌入?yún)f(xié)同過(guò)濾推薦系統(tǒng)模型。該推薦系統(tǒng)對(duì)隱式數(shù)據(jù)進(jìn)行處理并深入挖掘用戶與商品之間的潛在關(guān)系,通過(guò)對(duì)文本嵌入算法改進(jìn),得到商品嵌入方法,將用戶對(duì)所有商品的購(gòu)買次數(shù)和目標(biāo)商品與其他商品成對(duì)購(gòu)買次數(shù)映射到一個(gè)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(gè)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(guò)濾推薦系統(tǒng)模型,對(duì)推薦系統(tǒng)中的冷啟動(dòng)問(wèn)題提出改進(jìn)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(shí)作為模型輸入。本模型將...

【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 基于深度學(xué)習(xí)的協(xié)同過(guò)濾推薦系統(tǒng)國(guó)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(guò)濾推薦系統(tǒng)相關(guān)技術(shù)
    2.1 神經(jīng)協(xié)同過(guò)濾
        2.1.1 NCF學(xué)習(xí)過(guò)程
        2.1.2 多層感知機(jī)
        2.1.3 神經(jīng)矩陣分解
        2.1.4 模型與訓(xùn)練過(guò)程
    2.2 深度協(xié)同過(guò)濾NCF
    2.3 混合神經(jīng)協(xié)同過(guò)濾CCF
    2.4 本章小結(jié)
第三章 商品嵌入?yún)f(xié)同過(guò)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(fù)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(guò)濾推薦系統(tǒng)模型
    3.4 模型實(shí)驗(yàn)結(jié)果及分析
        3.4.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)
        3.4.2 驗(yàn)證模型商品嵌入效果
        3.4.3 整合模型試驗(yàn)結(jié)果及分析
        3.4.4 模型運(yùn)行效率實(shí)驗(yàn)
    3.5 商品嵌入?yún)f(xié)同過(guò)濾推薦系統(tǒng)模型在網(wǎng)頁(yè)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(guò)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(guò)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(guò)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(shí)驗(yàn)結(jié)果及分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)與評(píng)價(jià)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(shí)驗(yàn)
        4.4.4 驗(yàn)證模型在冷啟動(dòng)問(wèn)題上的表現(xiàn)
        4.4.5 驗(yàn)證不同采樣率以及嵌入維度對(duì)模型性能的影響
    4.5 隱式反饋協(xié)同過(guò)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(xiàn)



本文編號(hào)：3926460