由于科技的不斷進步以及世界經濟一體化的逐漸形成,互聯(lián)網也得以在全球范圍內實現快速發(fā)展,全球用戶量逐年遞增,隨之而來的就是大量的用戶數據。據統(tǒng)計,從2018年至2025年,全球范圍內的數據量將從33ZB急速增長到175ZB。一方面,工業(yè)3.0以來,通過為用戶提供海量的信息影響了越來越多人的日常生活,但是在另一方面,信息化時代同樣為工業(yè)和研究領域帶來了大量的機緣和挑戰(zhàn)。面對大量的數據信息,如何從中便捷而高速的使用戶取得滿足需求的數據,有效緩解信息過載情況是當今科研工作者們著力處理的一大事務。面對信息過載問題,較早的解決方案是以谷歌、百度等為代表的搜索引擎技術。然而由于搜索引擎的通用性,注定不能夠針對單獨用戶滿足其個性化需求。推薦系統(tǒng)(Recommender Systsems,RS)通過分析用戶個體信息數據的差異,針對單個用戶提供個性化的推薦服務,是一種較好的緩解信息過載的有效方案�；跇撕灥耐扑]系統(tǒng)利用用戶對項目的標記信息為用戶推薦項目,但是現有的標簽系統(tǒng)中的推薦方法只是用到了項目-標簽-用戶之間的聯(lián)系,并不注重用戶以及項目自身的特征。在度量用戶以及項目之間的相似度時,現存的方法只是單一考...

【文章頁數】：72 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與研究意義
    1.2 國內外研究現狀
        1.2.1 推薦系統(tǒng)以及協(xié)同過濾
        1.2.2 表示學習
    1.3 本文主要研究內容
    1.4 論文的組織結構
第2章 推薦系統(tǒng)關鍵技術
    2.1 推薦系統(tǒng)概述
        2.1.1 推薦系統(tǒng)的概念
        2.1.2 推薦算法的分類
        2.1.3 推薦系統(tǒng)評價標準
    2.2 協(xié)同過濾推薦算法
        2.2.1 協(xié)同過濾概述
        2.2.2 推薦步驟
        2.2.3 協(xié)同過濾算法分類
    2.3 本章小結
第3章 表示學習基礎理論
    3.1 表示學習概述
    3.2 Word2vec
        3.2.1 skip-gram
        3.2.2 CBOW
    3.3 本章小結
第4章 基于標簽信息特征相似性的協(xié)同過濾推薦算法
    4.1 標簽系統(tǒng)
    4.2 基于標簽信息特征相似性的協(xié)同過濾推薦算法
        4.2.1 用戶-標簽-項目三分圖
        4.2.2 基于標簽的用戶偏好計算
        4.2.3 基于標簽的相似性計算
        4.2.4 用戶偏好預測
    4.3 算法設計
    4.4 實驗分析
        4.4.1 實驗設置
        4.4.2 評估標準
        4.4.3 實驗結果及分析
    4.5 本章小結
第5章 基于嵌入式表示學習的協(xié)同過濾推薦算法
    5.1 算法設計
        5.1.1 基于表示學習的標簽向量化
        5.1.2 算法描述
    5.2 實驗分析
        5.2.1 實驗設置
        5.2.2 實驗結果及分析
    5.3 本章小結
第6章 個性化電影推薦引擎設計與實現
    6.1 應用背景
    6.2 關鍵技術
        6.2.1 數據處理
        6.2.2 系統(tǒng)構建
    6.3 系統(tǒng)設計與實現
        6.3.1 系統(tǒng)需求分析
        6.3.2 系統(tǒng)設計
        6.3.3 推薦系統(tǒng)的實現
    6.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的學術論文
致謝



本文編號：3965064