發(fā)布時間：2021-02-06 05:48

　　傳統(tǒng)的協(xié)同過濾推薦算法使用觀測到的評分值預測缺失的值,方法簡單且快速,但它忽略了數(shù)據(jù)集中變量之間可能發(fā)生的交互,不能很好的反映用戶和項目之間的非線性關(guān)系,預測評分和真實評分之間的誤差較大,不適當?shù)墓浪銜黾訑?shù)據(jù)集中的噪聲,隨著稀疏度的增加會變得越來越糟糕。而且易受到冷啟動問題的困擾。針對這些問題,本文將深度神經(jīng)網(wǎng)絡引入到推薦算法,提出兩種混合推薦模型,利用多層感知機來學習用戶和項目之間的非線性關(guān)系,以緩解傳統(tǒng)推薦算法中的數(shù)據(jù)稀疏和冷啟動問題,提高推薦性能。第一種推薦模型結(jié)合用戶和項目的信息的深度神經(jīng)網(wǎng)絡的推薦模型DNCF。通過神經(jīng)網(wǎng)絡提取用戶和項目的屬性特征,針對使用詞袋模型處理文本信息,不能很好的區(qū)分詞在文本中的語義特征,提出使用卷積神經(jīng)網(wǎng)絡處理文本輔助信息,生成可有效表示文本深層語義的潛在特征,同時將文本特征結(jié)合與其對應的項目特征。對于傳統(tǒng)模型中使用戶和項目特征的內(nèi)積不足以預估用戶和項目之間的復雜交互問題,提出使用多層感知機來學習用戶和項目之間的交互關(guān)系,將用戶和項目特征輸入多層感知器來預測評分,并根據(jù)評分為用戶提供推薦。第二種推薦模型m DAE結(jié)合用戶和項目信息與評分數(shù)據(jù),由于評... 

【文章來源】：南寧師范大學廣西壯族自治區(qū)

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

神經(jīng)網(wǎng)絡中的激活函數(shù)

( ) ( )( )u Uu UR u T urecallT u I準確度公式為：u( ) ( )1u UUR u T uMAPU N I表示推薦系統(tǒng)在測試集上為用戶生成的推薦列表，T (u )表示用戶在測試項目，N 表示推薦列表個數(shù)。驗內(nèi)容實驗在 ml-100k、ml-1m、ml-10M、amazon 數(shù)據(jù)集上進行，以 5 次實驗，實驗的第一部分測試了本章提出的算法模型的有效性，第二部分對不了對比分析。訓練結(jié)果m 數(shù)據(jù)迭代 20 次部分實驗結(jié)果：

圖 4-4 實驗訓練誤差實驗使用 MSE 函數(shù)進行訓練，根據(jù)實驗的訓練結(jié)果可以看出，在迭代 10 次時，方差降到 0.9X，在迭代 20 次時，誤差在平方方差降到 0.8X，可見結(jié)合深度學習用戶的屬性，電影的屬性和項目描述文檔，數(shù)據(jù)更加完整，準確度提高，誤差降 4-4 可以看出在迭代次數(shù) 10 次左右時誤差逐漸降低，函數(shù)趨于收斂。代次數(shù)對實驗結(jié)果的影響訓練模型時，模型的訓練效果會受訓練的次數(shù) Epochs 的影響，就迭代的次數(shù)對算影響，在數(shù)據(jù)集上進行了實驗。實驗的均方誤差如圖 4-5，具體均方根誤差值如表表 4-2 迭代次數(shù)對實驗結(jié)果的影響dataset迭代次數(shù) Epochs20 40 60 80 100ml-100k 0.8032 0.7235 0.7132 0.7013 0.6826ml-1m 0.7432 0.6861 0.6746 0.6659 0.6589ml-10m 0.7576 0.7010 0.6851 0.6703 0.6683amazon 0.9706 0.9471 0.9261 0.9063 0.8952

【參考文獻】：
期刊論文
[1]基于降噪自動編碼器的推薦算法[J]. 武玲梅,陸建波,劉春霞.  計算機與現(xiàn)代化. 2018(03)
[2]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[3]跨媒體分析與推理:研究進展與發(fā)展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[4]基于自動編碼器組合的深度學習優(yōu)化方法[J]. 鄧俊鋒,張曉龍.  計算機應用. 2016(03)
[5]基于排序?qū)W習的推薦算法研究綜述[J]. 黃震華,張佳雯,田春岐,孫圣力,向陽.  軟件學報. 2016(03)
[6]基于用戶屬性和評分的協(xié)同過濾推薦算法[J]. 丁少衡,姬東鴻,王路路.  計算機工程與設(shè)計. 2015(02)
[7]協(xié)同過濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識別與人工智能. 2014(08)
[8]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)
[9]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應用. 2012(07)
[10]協(xié)同過濾推薦算法綜述[J]. 馬宏偉,張光衛(wèi),李鵬.  小型微型計算機系統(tǒng). 2009(07)



本文編號：3020256