隨著網絡信息的容量、復雜度和動態(tài)特性的不斷提高,推薦系統已經成為克服信息過載的關鍵解決方案,被許多在線服務包括電子商務、在線新聞和社交媒體網站廣泛采用。其中個性化推薦系統的主要研究內容是根據用戶過去的互動(例如,評論、評分和點擊)對用戶的偏好進行建模。本文基于用戶行為的個性化推薦系統,對相應的推薦算法進行了研究。主要研究工作如下:1)提出一種基于改進word2vec的方法,實現用戶評論模型的構建。本文對word2vec中skip-gram算法進行改進,將投影層分為兩部分:一是實體,另一個是非實體,并將非實體添加到目標實體的負抽樣中。通過對每個句子進行迭代,實體被嵌入到實體向量空間中。使用改進詞嵌入算法為用戶評論模型構建,從而得到用戶和商品的分布式表征,并從該表征中推薦相似商品。2)提出一種基于用戶商品對的融合模型。首先對數據進行預處理和分析,提取出用戶商品的特征,其次通過用戶特征和用戶行為對高潛用戶構建模型,根據用戶商品行為的特征對用戶商品對建模,最后把用戶模型和用戶商品模型相結合,預測出用戶未來要購買的商品。3)基于神經網絡的推薦算法。首先對有交互行為的用戶商品對進行評分矩陣的構建,...

【文章頁數】：64 頁

【學位級別】：碩士

【部分圖文】：

圖2-1CBOW與Skip-Gram算法模型

本的分布式表征是自然語言處理（NLP）中的一組語言建模和特征學，也就是每個單詞在空間向量中的表示。其中，ThomasMikolov[22]用做語言模型，相比前饋神經網絡，RNN能將更多的上下文考慮到模型隱藏層能夠囊括當前詞的所有前序詞，并在文獻[23]中進行改進，無論是準確率....

圖2-2特征處理總體架構

零[53]。任何具有非零回歸系數的特征都是通性網絡正則化將LASSO的L1懲罰與嶺回歸數的組合分析來對所有特征進行評分。另一用于支持向量機重復構造模型和去除具有低[55]和包裹式方法復雜度[56]。圖2-2為特征處

圖2-3Spark數據處理架構

圖2-2特征處理總體架構平臺多迭代機器學習算法以及大規(guī)模數據密Spark具有其體系結構基礎，最主要的部以一種容錯的方式進行維護�？梢宰詣訒D化型RDD格式。圖2-3為Spark的

圖3-1實體向量空間表示

分矩陣來進行推薦，更多的依賴于用戶對商品的打分，而用戶的評論更能體現戶對商品的直觀喜愛度。基于詞嵌入的實體相似關系在機器學習算法中，通常需要將文本數據向量化，從而能對文本數據進行計算。的詞袋模型并不能保存一個句子的完整性，基于詞嵌入的方法可以獲得句子序的上下文關系。例如已分好詞....

本文編號：3972387