近些年來,隨著信息技術(shù)以及互聯(lián)網(wǎng)的飛速發(fā)展,通過網(wǎng)絡(luò)觀看電影已成為了許多人的一種習(xí)慣。然而,由于人們無法從海量的電影資源中快速獲取自己喜愛的電影內(nèi)容,這使得電影信息的過載現(xiàn)象變得愈發(fā)嚴(yán)重。作為緩解信息過載問題的重要手段之一,推薦系統(tǒng)可以幫助用戶快速找到喜愛的電影內(nèi)容,為用戶帶來良好的使用體驗(yàn),因此其在國(guó)內(nèi)外知名電影及視頻網(wǎng)站中得到廣泛應(yīng)用,并帶來了巨大的商業(yè)價(jià)值。推薦算法模塊是電影推薦系統(tǒng)的核心,決定了一個(gè)推薦系統(tǒng)的優(yōu)劣。在眾多的個(gè)性化推薦算法中,協(xié)同過濾算法由于其簡(jiǎn)單性、有效性、準(zhǔn)確性而成為了目前應(yīng)用最為廣泛的技術(shù)之一。然而,隨著用戶及電影項(xiàng)目數(shù)量的急劇增加,數(shù)據(jù)稀疏性問題成為了傳統(tǒng)協(xié)同過濾算法面臨的一大挑戰(zhàn),嚴(yán)重影響了推薦質(zhì)量,導(dǎo)致用戶體驗(yàn)度較差。此外,傳統(tǒng)的協(xié)同過濾算法無法有效提取數(shù)據(jù)中的非線性因素,且考慮的數(shù)據(jù)角度單一,這也使得算法性能受限。隨著深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展,將傳統(tǒng)推薦算法與深度學(xué)習(xí)技術(shù)相融合解決上述問題成為了新的發(fā)展趨勢(shì)。針對(duì)以上問題,本文在現(xiàn)有研究的基礎(chǔ)上,將改進(jìn)加權(quán)Slope One方法與深度學(xué)習(xí)中的自編碼器相結(jié)合,在緩解數(shù)據(jù)稀疏性問題的同時(shí),學(xué)習(xí)數(shù)據(jù)集的更深層... 

【文章來源】：華中師范大學(xué)湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－２神經(jīng)元模型??如圖２－３所示，神經(jīng)元的信息處理過程可做如下描述：對(duì)于輸入的ｍ個(gè)特征，??神經(jīng)元首先為每個(gè)特征＼分配一個(gè)權(quán)重ｗ，，并將每個(gè)特征與其對(duì)應(yīng)權(quán)重相乘之后再??■

ｒ＾＼??＾註學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??＿??輸入層?隱藏層?輸出層??圖２－３三層神經(jīng)網(wǎng)絡(luò)模型??在上面的神經(jīng)網(wǎng)絡(luò)模型中，最左邊的輸入層包含四個(gè)神經(jīng)元，分別以全連接的??方式與隱藏層的五個(gè)神經(jīng)元相連，而隱藏層的神經(jīng)元也同樣以全連接的方式與輸出??層的四個(gè)神經(jīng)元相連接，這三層網(wǎng)絡(luò)一起構(gòu)成了一個(gè)全連接（Ｆｕｌｌ?Ｃｏｎｎｅｃｔｅｄ）神經(jīng)??網(wǎng)絡(luò)。需要注意的是，上圖為了展示神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，每層僅包含少量的神經(jīng)元，??而在實(shí)際應(yīng)用中，每一層都含有成百上千的神經(jīng)元用于處理復(fù)雜信息。??在許多時(shí)候，單隱藏層神經(jīng)網(wǎng)絡(luò)難以挖掘特征之間的高階交互，如多個(gè)特征對(duì)??目標(biāo)的共同影響。此時(shí)，深度神經(jīng)網(wǎng)絡(luò)作為擁有多個(gè)隱藏層的復(fù)雜神經(jīng)網(wǎng)絡(luò)，開始??得到人們的廣泛關(guān)注和研宄，并在許多復(fù)雜任務(wù)的處理上取得了顯著的成果。由于??深度神經(jīng)網(wǎng)絡(luò)具有多個(gè)隱藏層，因而能夠?qū)W習(xí)更加抽象的數(shù)據(jù)特征表示，具有更為??強(qiáng)大的模型學(xué)習(xí)能力。式（２－１５）給出了深度神經(jīng)網(wǎng)絡(luò)的一種公式化表達(dá)：??：〇?－［工１丨２?…工ｍ］，??ｚ＾ａ＾ｚ．＋ｂ，），??……?（２－１５）??＝〇－（＾ｒｚＭ＋Ｚ），．），??Ｚ〇ｕｉｐｕｉ?—?＾＂（Ｊ＾ｏｕｌｐｕｌＺｉ?＋?ｂ〇ｕｔｐｕｌ＇）．??其中，ｉ為隱藏層的個(gè)數(shù)，Ｆ為隱藏層與輸出層的每一層神經(jīng)元之間的權(quán)重，６??為每層的偏置向量，〇■（？）為激活函數(shù)，ｚ。為初始的輸入特征，為神經(jīng)網(wǎng)絡(luò)的最??２４??

Ｉ響Ｊｊ碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??函數(shù)或恒等函數(shù)。??馨??輸入層?隱層?輸出層??圖２－４自編碼器網(wǎng)絡(luò)結(jié)構(gòu)示意圖??自編碼器的訓(xùn)練目標(biāo)是令輸入Ｘ與輸入ｙ盡可能接近，且通過重構(gòu)誤差ｙ）??來衡量這種接近程度。根據(jù)輸入數(shù)據(jù)的不同形式及激活函數(shù)的不同，可以選擇不同??的函數(shù)來表示重構(gòu)誤差。若激活函數(shù)為恒等函數(shù)，可選擇式（２－１８）均方誤差函數(shù)??來表示重構(gòu)誤差；若輸入數(shù)據(jù)滿足伯努利分布，則可以選擇式（２－１９）的交叉熵。??Ｌ（ｘ，ｙ）?＝?＼＼ｘ－ｙ（?（２－１８）??Ｌ｛ｘ，?ｙ）?＝?［ｘ，?ｌｏｇ（３；，）?＋?（１?－?ｘ，）?ｌｏｇ（ｌ?－?ｙｔ）］?（２－１９）??目前，自編碼器在實(shí)際中常用于數(shù)據(jù)去噪以及數(shù)據(jù)降維。在推薦系統(tǒng)領(lǐng)域，自??編碼器主要用于學(xué)習(xí)用戶和項(xiàng)目的隱層特征表示，之后基于這種隱表示預(yù)測(cè)用戶偏??好，應(yīng)用場(chǎng)景主要包括評(píng)分預(yù)測(cè)、文本推薦等。??２６??

【參考文獻(xiàn)】：
期刊論文
[1]基于slope-one算法改進(jìn)評(píng)分矩陣填充的協(xié)同過濾算法研究[J]. 向小東,邱梓咸.  計(jì)算機(jī)應(yīng)用研究. 2019(04)
[2]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[3]基于用戶評(píng)論評(píng)分與信任度的協(xié)同過濾算法[J]. 王余斌,王成良,文俊浩.  計(jì)算機(jī)應(yīng)用研究. 2018(05)
[4]個(gè)性化推薦系統(tǒng)關(guān)鍵算法探討[J]. 張普洋,郭劍英.  電腦知識(shí)與技術(shù). 2016(27)
[5]基于評(píng)論與評(píng)分的協(xié)同過濾算法[J]. 李偉霖,王成良,文俊浩.  計(jì)算機(jī)應(yīng)用研究. 2017(02)
[6]基于用戶多屬性與興趣的協(xié)同過濾算法[J]. 趙文濤,王春春,成亞飛,孟令軍,趙好好.  計(jì)算機(jī)應(yīng)用研究. 2016(12)
[7]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[8]互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J]. 許海玲,吳瀟,李曉東,閻保平.  軟件學(xué)報(bào). 2009(02)

博士論文
[1]基于深度學(xué)習(xí)的多源信息融合推薦算法研究[D]. 邢淑凝.山東師范大學(xué) 2019
[2]面向推薦系統(tǒng)的關(guān)鍵問題研究及應(yīng)用[D]. 劉士琛.中國(guó)科學(xué)技術(shù)大學(xué) 2014

碩士論文
[1]基于CNN樹的商標(biāo)識(shí)別算法研究[D]. 陸凱笛.華中科技大學(xué) 2018
[2]基于受限玻爾茲曼機(jī)的協(xié)同過濾算法研究與應(yīng)用[D]. 盧兵帥.西安理工大學(xué) 2017
[3]基于降噪堆棧式自動(dòng)編碼機(jī)的協(xié)同過濾推薦算法[D]. 牛寶君.重慶大學(xué) 2017
[4]基于聚類的協(xié)同過濾推薦算法研究[D]. 陳傳瑜.廣東工業(yè)大學(xué) 2016



本文編號(hào)：2936693