【摘要】：隨著當(dāng)今網(wǎng)絡(luò)和大數(shù)據(jù)的飛速發(fā)展,人們已經(jīng)脫離了信息匱乏的時(shí)代。網(wǎng)絡(luò)給人們帶來(lái)了便利,提供了大量的信息,同時(shí)人們對(duì)網(wǎng)絡(luò)上的服務(wù)也提出了更高的要求,人們希望得到更快、質(zhì)量更高的服務(wù)。而信息的爆炸式增長(zhǎng),帶來(lái)了兩個(gè)問(wèn)題,一方面,簡(jiǎn)單搜索不能針對(duì)性的提供個(gè)性化服務(wù),用戶很難在海量的信息中獲取到自己不了解但可能感興趣的信息。另一方面,作為信息的生產(chǎn)者,如何最有效地利用信息,將信息推送給潛在目標(biāo)用戶也是一個(gè)難題。如今網(wǎng)絡(luò)上圖書信息成倍數(shù)地增長(zhǎng),用戶常常需要花費(fèi)大量時(shí)間來(lái)瀏覽、尋找自己感興趣的圖書。為了優(yōu)化用戶體驗(yàn),個(gè)性化推薦算法是有效的解決方法。本文針對(duì)于圖書推薦系統(tǒng),提出了效果較好的推薦方法,對(duì)系統(tǒng)的整體框架、算法改進(jìn)進(jìn)行了闡述說(shuō)明,論文的主要工作如下:1.構(gòu)建了圖書中文語(yǔ)料庫(kù),使用Word2Vec中的Skip-Gram模型對(duì)自然語(yǔ)言進(jìn)行建模,生成詞向量,完成了卷積神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的預(yù)處理。并對(duì)比了現(xiàn)有的三個(gè)語(yǔ)料庫(kù)和本文的圖書中文語(yǔ)料庫(kù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的影響,得出了本文語(yǔ)料庫(kù)的預(yù)處理結(jié)果優(yōu)于現(xiàn)有中文語(yǔ)料庫(kù)的結(jié)論。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),本文實(shí)現(xiàn)了基于Yoon Kim的網(wǎng)絡(luò)模型改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)證明改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)在本文的圖書數(shù)據(jù)集的分類問(wèn)題上要優(yōu)于原有模型。2.將基于內(nèi)容推薦與協(xié)同過(guò)濾進(jìn)行結(jié)合,設(shè)計(jì)了圖書推薦系統(tǒng),改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于基于內(nèi)容的推薦,與協(xié)同過(guò)濾結(jié)合,得到了優(yōu)于傳統(tǒng)協(xié)同過(guò)濾的結(jié)果,并在一定程度上改善了冷啟動(dòng)問(wèn)題。
【圖文】：

如何做出推薦也是協(xié)同過(guò)濾算法當(dāng)前存在的一個(gè)問(wèn)題混合推薦算法，將基于卷積神經(jīng)網(wǎng)絡(luò)的內(nèi)容推薦與協(xié)同冷啟動(dòng)系統(tǒng)的推薦準(zhǔn)確率[14]。學(xué)習(xí)發(fā)展歷程及現(xiàn)狀在人工智能領(lǐng)域有著重要的地位，通過(guò)算法的進(jìn)行學(xué)習(xí)量數(shù)據(jù)中學(xué)習(xí)特征規(guī)律，，從而進(jìn)行識(shí)別和判斷。機(jī)器學(xué)習(xí)，分別是淺層學(xué)習(xí)和深度機(jī)器學(xué)習(xí)[15]。2006 年 Hinton 和 網(wǎng)絡(luò)和深度學(xué)習(xí)的概念[16]，開啟了深度學(xué)習(xí)的研究熱潮。是神經(jīng)網(wǎng)絡(luò)發(fā)展的產(chǎn)物，神經(jīng)網(wǎng)絡(luò)是對(duì)人腦或一些生物模，能夠從外界進(jìn)行學(xué)習(xí)，并以生物類似的交互方式來(lái)適應(yīng)一個(gè)最基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。這個(gè) “神經(jīng)元”的輸入值為，輸出為 ( , ) = = ( 3 =1 + ) ，其中函數(shù)”。神經(jīng)網(wǎng)絡(luò)由許多個(gè)神經(jīng)元構(gòu)成，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以逐層的抽象、提取特征。

型、物品評(píng)分矩陣、物品和用戶的描述和特征等信息，輸出為推薦列表。圖 2.1 混合推薦系統(tǒng)圖2.1中的“黑盒”為混合推薦系統(tǒng)，其內(nèi)部可以是多種推薦算法的組合。RobinBurke在2002年的一篇關(guān)于不同混合推薦算法設(shè)計(jì)方案的著名調(diào)研中，為混合推薦算法的組合方式，給出了三種基本設(shè)計(jì)思路：整體式、并行式和流水線式[27]。整體式混合推薦如圖 2.2 所示。整體式將幾種推薦方法整合到一起，推薦系統(tǒng)
【學(xué)位授予單位】：山西大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.3;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許媛萍;;基于內(nèi)容的推薦與協(xié)同過(guò)濾融合的新聞推薦分析與探究[J];新聞研究導(dǎo)刊;2018年13期

2 李改;鄒小青;;基于隱式反饋的協(xié)同過(guò)濾算法研究綜述[J];福建電腦;2018年11期

3 胡致杰;胡羽沫;;協(xié)同過(guò)濾推薦瓶頸問(wèn)題研究[J];無(wú)線互聯(lián)科技;2016年09期

4 鄭婕;鮑海琴;;基于協(xié)同過(guò)濾推薦技術(shù)的個(gè)性化網(wǎng)絡(luò)教學(xué)平臺(tái)研究[J];科技風(fēng);2012年06期

5 張家鑫;劉志勇;張琳;張倩;莎仁;;基于協(xié)同過(guò)濾的多維度電影推薦方法研究[J];長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年02期

6 楊莉;;基于時(shí)間因子的協(xié)同過(guò)濾算法研究[J];電腦知識(shí)與技術(shù);2019年09期

7 章宗杰;陳瑋;;基于標(biāo)簽擴(kuò)展的協(xié)同過(guò)濾算法在音樂(lè)推薦中的應(yīng)用[J];軟件導(dǎo)刊;2018年01期

8 王嬋;;一種基于加權(quán)因子的混合協(xié)同過(guò)濾算法[J];電腦知識(shí)與技術(shù);2018年09期

9 劉文佳;張駿;;改進(jìn)的協(xié)同過(guò)濾算法在電影推薦系統(tǒng)中的應(yīng)用[J];現(xiàn)代商貿(mào)工業(yè);2018年17期

10 吳佳婧;賀嘉楠;王越群;董立巖;;基于項(xiàng)目屬性分類的協(xié)同過(guò)濾算法研究[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2018年04期

相關(guān)會(huì)議論文 前10條

1 孫見山;徐東;姜元春;;融合人格信息的單分類協(xié)同過(guò)濾方法研究[A];第十二屆（2017）中國(guó)管理學(xué)年會(huì)論文集[C];2017年

2 沈杰峰;杜亞軍;唐俊;;一種基于項(xiàng)目分類的協(xié)同過(guò)濾算法[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

3 陳曦;;基于二階定時(shí)修正協(xié)同過(guò)濾系統(tǒng)的信息推薦算法[A];2019年第二屆鋼鐵工業(yè)智能制造發(fā)展論壇會(huì)議論文集[C];2019年

4 駱正清;鄭濤;;基于標(biāo)簽聚類的協(xié)同過(guò)濾推薦算法[A];第十三屆（2018）中國(guó)管理學(xué)年會(huì)論文集[C];2018年

5 胡必云;李舟軍;王君;;基于心理測(cè)量學(xué)的協(xié)同過(guò)濾相似度方法(英文)[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集(B輯)[C];2010年

6 孫鐵利;楊焱;邱春艷;;基于內(nèi)容預(yù)測(cè)的協(xié)同過(guò)濾推薦[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

7 劉牧;楊智強(qiáng);王衡;;基于普適計(jì)算的日程發(fā)現(xiàn)方法探討[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【poster】[C];2011年

8 潘崇倫;張弛;;協(xié)同過(guò)濾的自服務(wù)模式在水務(wù)信息基礎(chǔ)架構(gòu)管理中的研究[A];大數(shù)據(jù)時(shí)代的信息化建設(shè)——2015（第三屆）中國(guó)水利信息化與數(shù)字水利技術(shù)論壇論文集[C];2015年

9 陶紅亮;王明文;曹瑛;;基于項(xiàng)目平滑和聚類的協(xié)同過(guò)濾推薦算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

10 易們;楊成;柴智;;基于重排序的新用戶TOPN推薦方法研究[A];第十九屆中國(guó)科協(xié)年會(huì)——分4信息新技術(shù) 東北新工業(yè)論壇論文集[C];2017年

相關(guān)重要報(bào)紙文章 前3條

1 林嘉澍;從搜索到發(fā)現(xiàn)[N];經(jīng)濟(jì)觀察報(bào);2007年

2 本報(bào)記者 沈佳;數(shù)據(jù)大了 決策準(zhǔn)了[N];山西日?qǐng)?bào);2014年

3 林嘉澍;若鄰網(wǎng)絡(luò)：發(fā)掘網(wǎng)上的真實(shí)人脈[N];經(jīng)濟(jì)觀察報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 符明晟;基于深度學(xué)習(xí)的智能推薦技術(shù)研究[D];電子科技大學(xué);2019年

2 顧梁;播存結(jié)構(gòu)中基于協(xié)同過(guò)濾的內(nèi)容推薦技術(shù)研究[D];東南大學(xué);2017年

3 袁衛(wèi)華;面向稀疏數(shù)據(jù)的多視圖個(gè)性化推薦方法研究[D];山東師范大學(xué);2018年

4 孫小華;協(xié)同過(guò)濾系統(tǒng)的稀疏性與冷啟動(dòng)問(wèn)題研究[D];浙江大學(xué);2005年

5 薛福亮;電子商務(wù)協(xié)同過(guò)濾推薦質(zhì)量影響因素及其改進(jìn)機(jī)制研究[D];天津大學(xué);2012年

6 段銳;融合文本內(nèi)容與情境信息的協(xié)同過(guò)濾推薦方法研究[D];合肥工業(yè)大學(xué);2017年

7 郭艷紅;推薦系統(tǒng)的協(xié)同過(guò)濾算法與應(yīng)用研究[D];大連理工大學(xué);2008年

8 張雪潔;基于QoS的個(gè)性化云服務(wù)推薦方法研究[D];南京航空航天大學(xué);2015年

9 姜邵巍;基于競(jìng)爭(zhēng)關(guān)系的推薦技術(shù)研究[D];北京郵電大學(xué);2014年

10 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 章琦;基于協(xié)同過(guò)濾的全球AI挑戰(zhàn)賽社區(qū)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

2 劉運(yùn)沖;基于改進(jìn)的時(shí)間與用戶影響的協(xié)同過(guò)濾算法[D];安徽理工大學(xué);2019年

3 任德源;基于用戶分層結(jié)構(gòu)的個(gè)性化推薦方法[D];合肥工業(yè)大學(xué);2019年

4 李啟序;基于協(xié)同過(guò)濾的個(gè)性化推薦系統(tǒng)的研究[D];安徽理工大學(xué);2019年

5 鄭濤;一種改進(jìn)的協(xié)同過(guò)濾算法及其在推薦系統(tǒng)中的應(yīng)用[D];合肥工業(yè)大學(xué);2019年

6 張楊;基于領(lǐng)域知識(shí)圖譜實(shí)體消歧的協(xié)同過(guò)濾推薦算法研究[D];天津師范大學(xué);2019年

7 王茹玉;基于信息推薦的中藥適應(yīng)癥發(fā)現(xiàn)方法研究[D];北京交通大學(xué);2019年

8 張翔;個(gè)性化小說(shuō)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

9 祝月芳;基于協(xié)同過(guò)濾的電影票務(wù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

10 周安琪;個(gè)性化推薦的協(xié)同過(guò)濾算法探究[D];上海交通大學(xué);2017年

本文編號(hào)：2710574