【摘要】：隨著信息技術(shù)和“5G時(shí)代”的快速發(fā)展,“信息過(guò)載”給人們生活造成巨大困擾。與此同時(shí),隨著社交網(wǎng)絡(luò)和電商平臺(tái)的迅速崛起,產(chǎn)生了大量的用戶(hù)行為數(shù)據(jù),面對(duì)如此豐富的用戶(hù)數(shù)據(jù),許多推薦模型只考慮了用戶(hù)對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)或項(xiàng)目描述內(nèi)容而忽略了海量的用戶(hù)關(guān)于項(xiàng)目的文本評(píng)論信息。另外,推薦系統(tǒng)還普遍存在推薦精度不高、推薦模型擴(kuò)展性不強(qiáng)等問(wèn)題。本文通過(guò)對(duì)大量的文獻(xiàn)和資料進(jìn)行研究與總結(jié),針對(duì)目前推薦系統(tǒng)存在的上述問(wèn)題,提出改進(jìn)矩陣分解與跨通道CNN結(jié)合的推薦模型(MF跨通道CNN)。該模型將跨通道CNN與基于模型的協(xié)同過(guò)濾推薦進(jìn)行結(jié)合,充分利用用戶(hù)評(píng)分和文本評(píng)論信息獲得用戶(hù)喜好從而提高模型的擴(kuò)展性和推薦精度。具體地,本文主要做了以下研究工作:(1)從互聯(lián)網(wǎng)快速發(fā)展和“信息過(guò)載”的角度分析了推薦技術(shù)的研究背景和意義,針對(duì)目前推薦系統(tǒng)遇到的問(wèn)題,本文對(duì)傳統(tǒng)的推薦算法、基于深度學(xué)習(xí)的推薦算法、適用領(lǐng)域和優(yōu)缺點(diǎn)進(jìn)行了研究,并分析出這兩種類(lèi)別的推薦算法的優(yōu)勢(shì)和劣勢(shì),為本文模型的提出做準(zhǔn)備。(2)基于矩陣分解和深度學(xué)習(xí)技術(shù),對(duì)Kim等人在2016年提出的卷積矩陣分解(ConvMF)模型進(jìn)行改進(jìn)。第一,在概率矩陣分解基礎(chǔ)上加入用戶(hù)和項(xiàng)目的偏執(zhí),旨在提高模型的擴(kuò)展性;第二,使用跨通道CNN替代傳統(tǒng)CNN;第三,神經(jīng)網(wǎng)絡(luò)不是對(duì)項(xiàng)目簡(jiǎn)介進(jìn)行識(shí)別而是對(duì)用戶(hù)文本評(píng)論進(jìn)行特征學(xué)習(xí),獲取用戶(hù)對(duì)項(xiàng)目的偏好。將改進(jìn)矩陣分解與跨通道CNN進(jìn)行結(jié)合,充分利用用戶(hù)評(píng)分和用戶(hù)評(píng)論數(shù)據(jù),從而提高模型推薦精度。(3)對(duì)本文實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理,通過(guò)用戶(hù)評(píng)分構(gòu)建用戶(hù)評(píng)分矩陣,通過(guò)TFIDF(Term Frequency-Inverse Document Frequency,TF-IDF)方法構(gòu)建用戶(hù)評(píng)論的詞向量,并對(duì)預(yù)處理和模型中的超參數(shù)進(jìn)行設(shè)置。最后,本文對(duì)提出的改進(jìn)矩陣分解與跨通道CNN結(jié)合的推薦模型在MovieLens1M、MovieLens 10M、AIV三個(gè)數(shù)據(jù)集上從兩個(gè)方面進(jìn)行實(shí)驗(yàn)設(shè)計(jì)與分析。第一,參數(shù)的選取對(duì)模型的影響;第二,將MF跨通道CNN與常用的推薦模型預(yù)測(cè)效果進(jìn)行對(duì)比分析。實(shí)驗(yàn)結(jié)果表明:MF跨通道CNN模型中,當(dāng)用戶(hù)和項(xiàng)目正則化系數(shù)分別取100和10,矩陣分解隱因子個(gè)數(shù)K取200,卷積核個(gè)數(shù)取300時(shí),模型的整體預(yù)測(cè)效果最佳。MF跨通道CNN模型與PMF相比,在上述三個(gè)數(shù)據(jù)集上預(yù)測(cè)效果分別提升4.80%、12.03%和2.34%;與CTR相比,分別提升7.33%、10.14%和6.62%;與ConvMF相比,分別提升0.41%、2.84%和0.66%。隨著同一個(gè)數(shù)據(jù)集中訓(xùn)練數(shù)據(jù)密度的增大,MF跨通道CNN模型的預(yù)測(cè)效果也進(jìn)一步提高。
【圖文】：

圖 1-1 推薦系統(tǒng)在企業(yè)中的應(yīng)用Fig. 1-1 Application of the recommended system in the enterprise基于內(nèi)容的推薦算法是通過(guò)學(xué)習(xí)用戶(hù)自身屬性和歷史瀏覽記錄提取出該用戶(hù)好，將得到的用戶(hù)喜好項(xiàng)目的內(nèi)容（屬性）與其它項(xiàng)目?jī)?nèi)容（屬性）進(jìn)行比對(duì)后把與用戶(hù)喜好項(xiàng)目匹配度最高的項(xiàng)目推薦給該用戶(hù)[5]。這種推薦算法需要分戶(hù)喜好項(xiàng)目和其他預(yù)先設(shè)定好的項(xiàng)目的內(nèi)容匹配程度，對(duì)項(xiàng)目的屬性結(jié)構(gòu)完整易提取特征）要求較高，無(wú)需考慮其他用戶(hù)的行為[6]�；趨f(xié)同過(guò)濾的推薦算法利用用戶(hù)的歷史行為，獲得基于用戶(hù)或基于項(xiàng)目的度，通過(guò)相似度計(jì)算出用戶(hù)的預(yù)測(cè)評(píng)分[7]。協(xié)同過(guò)濾推薦的不足之處：（1）存戶(hù)和項(xiàng)目的“冷啟動(dòng)”問(wèn)題，對(duì)于新用戶(hù)，能提取到的歷史數(shù)據(jù)極少，這種情況做一個(gè)常規(guī)的推薦[8]。對(duì)于新項(xiàng)目，能提取到的用戶(hù)關(guān)于該新項(xiàng)目的評(píng)分或者

薦系統(tǒng)矩陣分解算法給用戶(hù)進(jìn)行推薦。本章對(duì)推薦系統(tǒng)定義、缺點(diǎn)進(jìn)行了介紹，為后續(xù)章節(jié)中本文模型的提出奠定了理論基系統(tǒng)定義統(tǒng)是指根據(jù)用戶(hù)屬性、用戶(hù)歷史行為、項(xiàng)目屬性等，，運(yùn)用推薦出用戶(hù)喜歡的項(xiàng)目并進(jìn)行推送[32]。推薦系統(tǒng)也可用數(shù)學(xué)語(yǔ)言 1,2... }iu i m代表用戶(hù)集合， { 1,2... }jD d j n代表項(xiàng)目集合， f :U D R，其中 =m nR R 代表評(píng)分矩陣。推薦算法旨在項(xiàng)目1,2, , } n中找到用戶(hù)u U最感興趣的項(xiàng)目集合ud 。可用數(shù)學(xué)2.1：, argmax ( , )ud Du U d f u d 用戶(hù)喜好搜集用戶(hù)行為信息數(shù)據(jù)挖掘
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP391.3;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 范云鵬;周水生;;矩陣分解[J];數(shù)學(xué)學(xué)習(xí)與研究;2012年03期

2 王建芳;張朋飛;谷振鵬;劉冉東;;一種優(yōu)化的帶偏置概率矩陣分解算法[J];小型微型計(jì)算機(jī)系統(tǒng);2017年05期

3 蔡國(guó)永;夏彬彬;;基于聯(lián)合矩陣分解的圖像情感分析研究[J];小型微型計(jì)算機(jī)系統(tǒng);2017年05期

4 田賢忠;沈杰;;大數(shù)據(jù)環(huán)境下基于概率矩陣分解的個(gè)性化推薦[J];計(jì)算機(jī)科學(xué);2017年S1期

5 彭鵬;米傳民;肖琳;;基于用戶(hù)信任和興趣的概率矩陣分解推薦方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2017年09期

6 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評(píng)分與信任聯(lián)合預(yù)測(cè)[J];電子學(xué)報(bào);2016年07期

7 高世偉,保錚;利用數(shù)據(jù)矩陣分解實(shí)現(xiàn)對(duì)空間相關(guān)信號(hào)源的超分辨處理[J];通信學(xué)報(bào);1988年01期

8 劉雙全;孫六全;;矩陣分解初探[J];武測(cè)科技;1988年03期

9 田鐘穎,嚴(yán)克明;矩陣分解在運(yùn)動(dòng)分析中的應(yīng)用初探[J];甘肅工業(yè)大學(xué)學(xué)報(bào);1989年04期

10 張銘 ,楊萬(wàn)麟 ,李樂(lè)民;用前后向數(shù)據(jù)矩陣分解實(shí)現(xiàn)相干源的超分辨空間譜估計(jì)[J];聲學(xué)與電子工程;1989年04期

相關(guān)會(huì)議論文 前8條

1 胡岸勇;柳重堪;苗俊剛;萬(wàn)國(guó)龍;;基于降晰矩陣分解與POCS的高斯降晰圖像復(fù)原[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專(zhuān)刊[C];2008年

2 郭亦鴻;曾楠;何宏輝;何永紅;馬輝;;各向異性介質(zhì)的穆勒矩陣分解偏振光學(xué)特征[A];中國(guó)光學(xué)學(xué)會(huì)2011年學(xué)術(shù)大會(huì)摘要集[C];2011年

3 李葉青;丁帥;黃輝;汪家欣;;考慮隱含相似關(guān)系醫(yī)生推薦方法研究[A];第十九屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2017年

4 王春江;王人鵬;錢(qián)若軍;王穎;;矩陣分解技術(shù)在體系性態(tài)綜合分析中的初步應(yīng)用[A];“力學(xué)2000”學(xué)術(shù)大會(huì)論文集[C];2000年

5 王婷婷;宋恩彬;;低復(fù)雜度的漸近最優(yōu)N-P檢測(cè)[A];第25屆中國(guó)控制與決策會(huì)議論文集[C];2013年

6 王春江;錢(qián)若軍;王人鵬;;平衡矩陣子空間分解——物理意義及其工程應(yīng)用[A];第二屆全國(guó)現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會(huì)論文集[C];2002年

7 羅正選;張霄力;;線(xiàn)性時(shí)滯切換系統(tǒng)的穩(wěn)定性[A];第25屆中國(guó)控制會(huì)議論文集（中冊(cè)）[C];2006年

8 王春江;錢(qián)若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應(yīng)用[A];第九屆全國(guó)結(jié)構(gòu)工程學(xué)術(shù)會(huì)議論文集第Ⅰ卷[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 代祥光;矩陣分解相關(guān)模型的優(yōu)化算法研究[D];西南大學(xué);2018年

2 宋凱嵩;基于矩陣分解的社會(huì)媒體文本個(gè)性化情感分析技術(shù)研究[D];東北大學(xué);2017年

3 李雪;基于流形嵌入的矩陣分解算法研究[D];南京理工大學(xué);2017年

4 趙謙;具有稀疏與穩(wěn)健特性的低秩矩陣分析方法研究[D];西安交通大學(xué);2018年

5 趙科科;低秩矩陣分解的正則化方法與應(yīng)用[D];浙江大學(xué);2012年

6 郭亦鴻;利用穆勒矩陣分解定量測(cè)量各向異性介質(zhì)微觀(guān)結(jié)構(gòu)[D];清華大學(xué);2014年

7 徐振興;基于地理標(biāo)注照片的景點(diǎn)推薦方法研究[D];浙江大學(xué);2017年

8 胡祥;融合社會(huì)輔助信息的社會(huì)化推薦研究[D];北京郵電大學(xué);2017年

9 張維玉;社交網(wǎng)絡(luò)鏈路預(yù)測(cè)方法研究[D];北京郵電大學(xué);2016年

10 肖延輝;基于矩陣分解的圖像表示理論及其應(yīng)用研究[D];北京交通大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 胡一飛;稀疏非負(fù)矩陣分解算法研究[D];廣東工業(yè)大學(xué);2019年

2 蔡念;基于改進(jìn)矩陣分解與跨通道CNN結(jié)合的推薦模型研究[D];廣東工業(yè)大學(xué);2019年

3 羅健鍵;基于低秩矩陣分解的協(xié)同過(guò)濾推薦算法的研究[D];成都理工大學(xué);2019年

4 巫錦銘;基于貝葉斯局部概率矩陣分解推薦方法研究[D];國(guó)防科技大學(xué);2017年

5 李幸幸;基于集成學(xué)習(xí)的推薦模型研究[D];北京交通大學(xué);2019年

6 張洪磊;結(jié)合圖嵌入與矩陣分解的社會(huì)化推薦系統(tǒng)研究[D];北京交通大學(xué);2019年

7 盧雁青;基于遺忘函數(shù)和多屬性特征提取的矩陣分解推薦算法研究[D];內(nèi)蒙古工業(yè)大學(xué);2019年

8 何李杰;融合文檔上下文感知的社會(huì)化推薦研究[D];重慶郵電大學(xué);2018年

9 毛歐陽(yáng);基于矩陣分解的推薦算法優(yōu)化及實(shí)現(xiàn)[D];重慶郵電大學(xué);2019年

10 歐輝思;基于張量分解的跨領(lǐng)域推薦方法及其應(yīng)用[D];上海交通大學(xué);2016年

本文編號(hào)：2589219