發(fā)布時(shí)間：2024-04-07 19:53

　　隨著互聯(lián)網(wǎng)數(shù)據(jù)爆炸式的發(fā)展,人們獲取信息的服務(wù)從無(wú)到有,從有到更好的習(xí)慣發(fā)生巨大改變,同時(shí)面對(duì)互聯(lián)網(wǎng)日益繁雜的物品,變得眼花繚亂,無(wú)從決策。尤其當(dāng)面對(duì)數(shù)據(jù)負(fù)載時(shí),用戶(hù)不知如何去表達(dá)或者無(wú)法描述事物的時(shí)候,能否根據(jù)以往的交互行為記錄推薦出相關(guān)的物品,推薦系統(tǒng)可以幫助用戶(hù)快速獲取所需信息。在現(xiàn)實(shí)中,由于用戶(hù)與項(xiàng)目的交互數(shù)據(jù)往往是稀疏的,這給推薦算法帶來(lái)了一定的困難。推薦系統(tǒng)的核心是根據(jù)用戶(hù)的歷史行為偏好,物品屬性或上下文信息,建模用戶(hù)的信息,從而實(shí)現(xiàn)有效的推薦功能。傳統(tǒng)推薦系統(tǒng)應(yīng)用最廣泛的算法是協(xié)同過(guò)濾,其利用用戶(hù)與項(xiàng)目之間的交互行為產(chǎn)生推薦�；趨f(xié)同過(guò)濾的推薦方法采用了淺層模型無(wú)法學(xué)習(xí)用戶(hù)與項(xiàng)目的深層交互特征,所學(xué)的特征是線性關(guān)系。隨著深度學(xué)習(xí)的到來(lái),為傳統(tǒng)推薦系統(tǒng)帶來(lái)了新的機(jī)遇。一方面,深度學(xué)習(xí)將傳統(tǒng)推薦系統(tǒng)學(xué)習(xí)關(guān)系由線性向非線性轉(zhuǎn)換,能夠獲取用戶(hù)和項(xiàng)目之間的非線性特征的表示;另一方面,深度學(xué)習(xí)能夠從數(shù)據(jù)特征中自動(dòng)學(xué)習(xí),將不同數(shù)據(jù)映射到同一空間內(nèi),這大大解決了數(shù)據(jù)間融合問(wèn)題,從而緩解推薦系統(tǒng)中的數(shù)據(jù)冷啟動(dòng)和稀疏問(wèn)題。然而在深度模型中,生成較多無(wú)意義的神經(jīng)因子,無(wú)法對(duì)推薦結(jié)果進(jìn)行合理的解...

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1論文主要研究?jī)?nèi)容Figure1.1Themainsearchcontentsofthepaper

第一章緒論6意圖的推薦算法。該算法在歷史用戶(hù)的基礎(chǔ)上，引入時(shí)間序列挖掘歷史用戶(hù)長(zhǎng)期或短期意圖，有效學(xué)習(xí)用戶(hù)與項(xiàng)目交互特征，最后融合兩種特征共同學(xué)習(xí)用戶(hù)與項(xiàng)目深層次的特征最后，對(duì)本文所做的主要的研究工作進(jìn)行了總結(jié)以及對(duì)未來(lái)重點(diǎn)研究的工作進(jìn)行了討論。本文主要研究?jī)?nèi)容如圖1.1所示：圖....

圖2.1協(xié)同過(guò)濾基本原理

安徽大學(xué)碩士學(xué)位論文7第二章相關(guān)理論與方法隨著當(dāng)今技術(shù)的快速發(fā)展，數(shù)據(jù)的與日劇增，面對(duì)如此繁雜的數(shù)據(jù)，用戶(hù)如何定位自己感興趣的內(nèi)容？推薦系統(tǒng)的誕生正是解決信息負(fù)載的問(wèn)題。本章首先簡(jiǎn)單介紹了協(xié)同過(guò)濾的兩大功能（即推薦和預(yù)測(cè)）和序列推薦，然后介紹推薦系統(tǒng)數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題。接著介紹....

圖2.2序列推薦例子：小W接下來(lái)會(huì)買(mǎi)什么？Figure2.2Sequencerecommendationexample:whatwilllittleWbuynext?

諧淶紜４由廈嬋梢粵私獾劍??的每下一步動(dòng)作會(huì)受到先前行為的影響，因此這些購(gòu)買(mǎi)動(dòng)作都是順序依賴(lài)的。這種順序依賴(lài)不能被傳統(tǒng)的推薦系統(tǒng)（如協(xié)同過(guò)濾）所捕獲，其實(shí)質(zhì)是序列推薦[23]。例如，用戶(hù)偏好和項(xiàng)目的流行度隨著時(shí)間的推移而改變，這種屬于動(dòng)態(tài)而非靜態(tài)的交互，這種動(dòng)態(tài)只能通過(guò)序列推薦來(lái)....

圖3.1用戶(hù)與項(xiàng)目交互Figure3.1Theuserinteractswiththeitem

特征表示。同時(shí)，引入注意力機(jī)制網(wǎng)絡(luò)用以區(qū)分不同用戶(hù)對(duì)項(xiàng)目的重要程度，從而使DeepUCF更具有表現(xiàn)力，稱(chēng)DeepUCF+a。3.1歷史用戶(hù)早期的推薦系統(tǒng)任務(wù)是評(píng)分預(yù)測(cè)（ratingprediction）[47]。評(píng)分預(yù)測(cè)的核心方法是通過(guò)向量?jī)?nèi)積的方式建模用戶(hù)與項(xiàng)目之....

本文編號(hào)：3947886