發(fā)布時間：2017-03-27 11:02

  本文關鍵詞：基于深度神經(jīng)網(wǎng)絡的用戶會話推薦算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著互聯(lián)網(wǎng)的發(fā)展,人們越來越依賴于推薦系統(tǒng)為自己的選擇提供參考。本文嘗試解決在線購物網(wǎng)站如何在用戶與網(wǎng)站交互的同時,向用戶推薦他們可能會購買的商品的問題。為了解決這個問題,本文首先將用戶瀏覽網(wǎng)頁的過程建模為一個線性的序列,在用戶不斷地推進這個序列的同時,對用戶可能會購買的商品進行預測。然而現(xiàn)有的協(xié)同過濾算法,并不能很好地挖掘出用戶瀏覽網(wǎng)頁序列。因此,本文根據(jù)問題的特點,提出了基于深度循環(huán)神經(jīng)網(wǎng)絡和深度前饋網(wǎng)絡的DeepSession推薦算法,以解決該推薦問題。基于深度循環(huán)神經(jīng)網(wǎng)絡,可以很好地挖掘出用戶訪問頁面序列的模式,并據(jù)此推測用戶的購買行為。然而,循環(huán)神經(jīng)網(wǎng)絡的狀態(tài)個數(shù)是固定的,而用戶會話瀏覽頁面的個數(shù)卻是動態(tài)變化的。因此本文提出了帶有歷史狀態(tài)的循環(huán)網(wǎng)絡模型,將比較老的頁面聚集為一個歷史狀態(tài),保留部分較老頁面的信息,傳遞給循環(huán)神經(jīng)網(wǎng)絡,從而解決輸入頁面不斷動態(tài)增長的問題。在此基礎之上,本文提出了建立深度前饋網(wǎng)絡,來模擬傳統(tǒng)的協(xié)同過濾算法,對用戶以往的購物模型進行建模,結合深度前饋網(wǎng)絡的輸出,進一步提高推薦精度。另外,本文針對神經(jīng)網(wǎng)絡調參困難的問題,提出了一個自動調整網(wǎng)絡相關配置的算法,該算法基于一定的啟發(fā)性,大大提高了網(wǎng)絡調參的效率。接著基于DeepSession模型,設計了可以應用于購物網(wǎng)站的推薦系統(tǒng)。最后,在電商網(wǎng)站提供的真實數(shù)據(jù)集上,進行了相關實驗。實驗結果表明,DeepSession推薦算法相比于基于Spark ALS的傳統(tǒng)協(xié)同過濾算法,大大提高了推薦精度,證明了DeepSession算法的有效性。
【關鍵詞】：深度學習 循環(huán)神經(jīng)網(wǎng)絡 推薦算法 協(xié)同過濾算法
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.3;TP183
【目錄】：

• 摘要4-5
• Abstract5-11
• 第1章 緒論11-17
• 1.1 課題背景11-13
• 1.2 本文工作及貢獻13-15
• 1.3 本文組織15-17
• 第2章 相關工作17-31
• 2.1 協(xié)同過濾推薦算法17-27
• 2.1.1 基于內(nèi)存的協(xié)同過濾算法18-21
• 2.1.2 基于建模的協(xié)同過濾算法21-24
• 2.1.3 混合協(xié)同過濾算法24-27
• 2.2 深度神經(jīng)網(wǎng)絡27-30
• 2.2.1 前饋神經(jīng)網(wǎng)絡28-29
• 2.2.2 循環(huán)神經(jīng)網(wǎng)絡29-30
• 2.3 本章小結30-31
• 第3章 DeepSession推薦算法31-43
• 3.1 問題描述31-33
• 3.2 循環(huán)神經(jīng)網(wǎng)絡模型33-37
• 3.2.1 基本的RNN網(wǎng)絡模型33-35
• 3.2.2 深度RNN網(wǎng)絡模型35-36
• 3.2.3 帶有歷史狀態(tài)的DRNN模型36-37
• 3.3 前饋神經(jīng)網(wǎng)絡模型37-39
• 3.4 實現(xiàn)細節(jié)39-42
• 3.4.1 訓練數(shù)據(jù)的生成39-41
• 3.4.2 DeepSession模型在Caffe上的實現(xiàn)41-42
• 3.5 本章小結42-43
• 第4章 模型優(yōu)化框架43-49
• 4.1 自動生成模型代碼43-45
• 4.2 自動調整模型參數(shù)45-48
• 4.3 本章小結48-49
• 第5章 DeepSession推薦系統(tǒng)49-53
• 5.1 系統(tǒng)架構49-50
• 5.2 推薦模塊50-51
• 5.2.1 Web服務接口子模塊50
• 5.2.2 日志存儲子模塊50-51
• 5.2.3 數(shù)據(jù)管理子模塊51
• 5.2.4 DeepSession推薦算法子模塊51
• 5.3 訓練模塊51-52
• 5.3.1 增量訓練模式51
• 5.3.2 全量訓練模式51-52
• 5.4 本章小結52-53
• 第6章 實驗結果53-64
• 6.1 實驗配置53-54
• 6.2 實驗評判標準54-55
• 6.3 實驗結果及分析55-63
• 6.3.1 對照實驗及結果55-56
• 6.3.2 樣本批量大小的影響56-58
• 6.3.3 FNN對結果的影響58-61
• 6.3.4 RNN歷史狀態(tài)對結果的影響61-62
• 6.3.5 模型收斂速率62-63
• 6.4 本章小結63-64
• 第7章 總結與展望64-66
• 7.1 工作總結64
• 7.2 未來展望64-66
• 參考文獻66-73
• 攻讀碩士學位期間主要的研究成果73-74
• 致謝74

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機系統(tǒng)應用;2006年10期

2 余小鵬;;一種基于多層關聯(lián)規(guī)則的推薦算法研究[J];計算機應用;2007年06期

3 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進[J];計算機應用與軟件;2008年09期

4 張立燕;;一種基于用戶事務模式的推薦算法[J];福建電腦;2009年03期

5 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

6 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強;;智能博物館環(huán)境下的個性化推薦算法[J];計算機工程與應用;2010年19期

7 王文;;個性化推薦算法研究[J];電腦知識與技術;2010年16期

8 張愷;秦亮曦;寧朝波;李文閣;;改進評價估計的混合推薦算法研究[J];微計算機信息;2010年36期

9 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機工程與應用;2011年16期

10 楊博;趙鵬飛;;推薦算法綜述[J];山西大學學報(自然科學版);2011年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡的含時推薦算法[A];第五屆全國復雜網(wǎng)絡學術會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：270284