【摘要】：隨著信息技術和“5G時代”的快速發(fā)展,“信息過載”給人們生活造成巨大困擾。與此同時,隨著社交網(wǎng)絡和電商平臺的迅速崛起,產(chǎn)生了大量的用戶行為數(shù)據(jù),面對如此豐富的用戶數(shù)據(jù),許多推薦模型只考慮了用戶對項目的評分數(shù)據(jù)或項目描述內(nèi)容而忽略了海量的用戶關于項目的文本評論信息。另外,推薦系統(tǒng)還普遍存在推薦精度不高、推薦模型擴展性不強等問題。本文通過對大量的文獻和資料進行研究與總結(jié),針對目前推薦系統(tǒng)存在的上述問題,提出改進矩陣分解與跨通道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)同過濾推薦進行結(jié)合,充分利用用戶評分和文本評論信息獲得用戶喜好從而提高模型的擴展性和推薦精度。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“信息過載”的角度分析了推薦技術的研究背景和意義,針對目前推薦系統(tǒng)遇到的問題,本文對傳統(tǒng)的推薦算法、基于深度學習的推薦算法、適用領域和優(yōu)缺點進行了研究,并分析出這兩種類別的推薦算法的優(yōu)勢和劣勢,為本文模型的提出做準備。(2)基于矩陣分解和深度學習技術,對Kim等人在2016年提出的卷積矩陣分解(ConvMF)模型進行改進。第一,在概率矩陣分解基礎上加入用戶和項目的偏執(zhí),旨在提高模型的擴展性;第二,使用跨通道CNN替代傳統(tǒng)CNN;第三,神經(jīng)網(wǎng)絡不是對項目簡介進行識別而是對用戶文本評論進行特征學習,獲取用戶對項目的偏好。將改進矩陣分解與跨通道CNN進行結(jié)合,充分利用用戶評分和用戶評論數(shù)據(jù),從而提高模型推薦精度。(3)對本文實驗數(shù)據(jù)進行預處理,通過用戶評分構建用戶評分矩陣,通過TFIDF(Term Frequency-Inverse Document Frequency,TF-IDF)方法構建用戶評論的詞向量,并對預處理和模型中的超參數(shù)進行設置。最后,本文對提出的改進矩陣分解與跨通道CNN結(jié)合的推薦模型在MovieLens1M、MovieLens 10M、AIV三個數(shù)據(jù)集上從兩個方面進行實驗設計與分析。第一,參數(shù)的選取對模型的影響;第二,將MF跨通道CNN與常用的推薦模型預測效果進行對比分析。實驗結(jié)果表明:MF跨通道CNN模型中,當用戶和項目正則化系數(shù)分別取100和10,矩陣分解隱因子個數(shù)K取200,卷積核個數(shù)取300時,模型的整體預測效果最佳。MF跨通道CNN模型與PMF相比,在上述三個數(shù)據(jù)集上預測效果分別提升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%。隨著同一個數(shù)據(jù)集中訓練數(shù)據(jù)密度的增大,MF跨通道CNN模型的預測效果也進一步提高。
【圖文】：

圖 1-1 推薦系統(tǒng)在企業(yè)中的應用Fig. 1-1 Application of the recommended system in the enterprise基于內(nèi)容的推薦算法是通過學習用戶自身屬性和歷史瀏覽記錄提取出該用戶好，將得到的用戶喜好項目的內(nèi)容（屬性）與其它項目內(nèi)容（屬性）進行比對后把與用戶喜好項目匹配度最高的項目推薦給該用戶[5]。這種推薦算法需要分戶喜好項目和其他預先設定好的項目的內(nèi)容匹配程度，對項目的屬性結(jié)構完整易提取特征）要求較高，無需考慮其他用戶的行為[6]�；趨f(xié)同過濾的推薦算法利用用戶的歷史行為，獲得基于用戶或基于項目的度，通過相似度計算出用戶的預測評分[7]。協(xié)同過濾推薦的不足之處：（1）存戶和項目的“冷啟動”問題，對于新用戶，能提取到的歷史數(shù)據(jù)極少，這種情況做一個常規(guī)的推薦[8]。對于新項目，能提取到的用戶關于該新項目的評分或者

薦系統(tǒng)矩陣分解算法給用戶進行推薦。本章對推薦系統(tǒng)定義、缺點進行了介紹，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)用戶屬性、用戶歷史行為、項目屬性等，，運用推薦出用戶喜歡的項目并進行推送[32]。推薦系統(tǒng)也可用數(shù)學語言 1,2... }iu i m代表用戶集合， { 1,2... }jD d j n代表項目集合， f :U D R，其中 =m nR R 代表評分矩陣。推薦算法旨在項目1,2, , } n中找到用戶u U最感興趣的項目集合ud 。可用數(shù)學2.1：, argmax ( , )ud Du U d f u d 用戶喜好搜集用戶行為信息數(shù)據(jù)挖掘
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;TP183

【相似文獻】

相關期刊論文 前10條

1 范云鵬;周水生;;矩陣分解[J];數(shù)學學習與研究;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];小型微型計算機系統(tǒng);2017年05期

3 蔡國永;夏彬彬;;基于聯(lián)合矩陣分解的圖像情感分析研究[J];小型微型計算機系統(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性化推薦[J];計算機科學;2017年S1期

5 彭鵬;米傳民;肖琳;;基于用戶信任和興趣的概率矩陣分解推薦方法[J];計算機系統(tǒng)應用;2017年09期

6 張維玉;吳斌;耿玉水;朱江;;基于協(xié)同矩陣分解的評分與信任聯(lián)合預測[J];電子學報;2016年07期

7 高世偉,保錚;利用數(shù)據(jù)矩陣分解實現(xiàn)對空間相關信號源的超分辨處理[J];通信學報;1988年01期

8 劉雙全;孫六全;;矩陣分解初探[J];武測科技;1988年03期

9 田鐘穎,嚴克明;矩陣分解在運動分析中的應用初探[J];甘肅工業(yè)大學學報;1989年04期

10 張銘 ,楊萬麟 ,李樂民;用前后向數(shù)據(jù)矩陣分解實現(xiàn)相干源的超分辨空間譜估計[J];聲學與電子工程;1989年04期

相關會議論文 前8條

1 胡岸勇;柳重堪;苗俊剛;萬國龍;;基于降晰矩陣分解與POCS的高斯降晰圖像復原[A];全國第二屆信號處理與應用學術會議�？痆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特征[A];中國光學學會2011年學術大會摘要集[C];2011年

3 李葉青;丁帥;黃輝;汪家欣;;考慮隱含相似關系醫(yī)生推薦方法研究[A];第十九屆中國管理科學學術年會論文集[C];2017年

4 王春江;王人鵬;錢若軍;王穎;;矩陣分解技術在體系性態(tài)綜合分析中的初步應用[A];“力學2000”學術大會論文集[C];2000年

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

6 王春江;錢若軍;王人鵬;;平衡矩陣子空間分解——物理意義及其工程應用[A];第二屆全國現(xiàn)代結(jié)構工程學術研討會論文集[C];2002年

7 羅正選;張霄力;;線性時滯切換系統(tǒng)的穩(wěn)定性[A];第25屆中國控制會議論文集（中冊）[C];2006年

8 王春江;錢若軍;王人鵬;楊聯(lián)萍;;矩陣分解在張力集成體系模態(tài)分析中的應用[A];第九屆全國結(jié)構工程學術會議論文集第Ⅰ卷[C];2000年

相關博士學位論文 前10條

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

2 宋凱嵩;基于矩陣分解的社會媒體文本個性化情感分析技術研究[D];東北大學;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;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;2018年

5 趙科科;低秩矩陣分解的正則化方法與應用[D];浙江大學;2012年

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

7 徐振興;基于地理標注照片的景點推薦方法研究[D];浙江大學;2017年

8 胡祥;融合社會輔助信息的社會化推薦研究[D];北京郵電大學;2017年

9 張維玉;社交網(wǎng)絡鏈路預測方法研究[D];北京郵電大學;2016年

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

相關碩士學位論文 前10條

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

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

3 羅健鍵;基于低秩矩陣分解的協(xié)同過濾推薦算法的研究[D];成都理工大學;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];國防科技大學;2017年

5 李幸幸;基于集成學習的推薦模型研究[D];北京交通大學;2019年

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

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

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

10 歐輝思;基于張量分解的跨領域推薦方法及其應用[D];上海交通大學;2016年

本文編號：2589219