隨著互聯(lián)網(wǎng)技術(shù)迅猛發(fā)展,網(wǎng)絡(luò)信息量呈幾何式增長,為人們的日常生活帶來了巨大的便利,但是同時這也給人們帶來了信息過載的問題。在這種情況下,推薦系統(tǒng)應(yīng)運(yùn)而生,個性化推薦系統(tǒng)根據(jù)用戶的興趣偏好和需求等信息,從龐雜的互聯(lián)網(wǎng)信息中獲取用戶感興趣的內(nèi)容并推薦給用戶,在緩解信息過載的問題上扮演了至關(guān)重要的角色,成為了互聯(lián)網(wǎng)時代不可或缺的技術(shù)應(yīng)用,并廣泛應(yīng)用于各個領(lǐng)域。推薦算法作為推薦系統(tǒng)的核心,近年來備受學(xué)術(shù)界和工業(yè)界的關(guān)注和研究。協(xié)同過濾算法是當(dāng)前應(yīng)用最廣泛的推薦算法。隨著用戶和物品規(guī)模的逐漸擴(kuò)大,評分?jǐn)?shù)據(jù)的稀疏性進(jìn)一步增長�；诮彽膮f(xié)同過濾算法,通過評分向量的相似度衡量用戶或物品之間的相似性,算法的可解釋性強(qiáng),易于實現(xiàn),然而在評分?jǐn)?shù)據(jù)稀疏的情況下評分預(yù)測效果并不好,仍有較大的提升空間。矩陣分解作為基于模型的協(xié)同過濾算法具有良好的可擴(kuò)展性,由于其良好的推薦效果,受到了廣泛的關(guān)注。傳統(tǒng)的矩陣分解技術(shù)通過用戶潛在特征和物品潛在特征的內(nèi)積來補(bǔ)全原始評分,進(jìn)而進(jìn)行評分預(yù)測,然而矩陣內(nèi)積這樣簡單的線性交互函數(shù),無法捕獲用戶與物品更深層次、更復(fù)雜的潛在特征表示。此外,與基于近鄰的協(xié)同過濾算法不同,矩陣分解技... 

【文章來源】：西南大學(xué)重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論與技術(shù)
    2.1 推薦算法概述
        2.1.1 協(xié)同過濾算法原理
        2.1.2 協(xié)同過濾算法分類
    2.2 基于近鄰的協(xié)同過濾算法
        2.2.1 基于用戶的協(xié)同過濾算法
        2.2.2 基于物品的協(xié)同過濾算法
    2.3 基于模型的協(xié)同過濾算法
        2.3.1 基于聚類的協(xié)同過濾算法
        2.3.2 基于矩陣分解的協(xié)同過濾算法
        2.3.3 基于貝葉斯網(wǎng)絡(luò)的模型
    2.4 深度神經(jīng)網(wǎng)絡(luò)
        2.4.1 反向傳播算法
        2.4.2 多層感知機(jī)
        2.4.3 激活函數(shù)
    2.5 推薦系統(tǒng)常用評價指標(biāo)
        2.5.1 評分預(yù)測問題
        2.5.2 Top-N推薦問題
    2.6 本章小結(jié)
第3章 基于深度神經(jīng)網(wǎng)絡(luò)的矩陣分解推薦模型
    3.1 引言
    3.2 模型設(shè)計和描述
        3.2.1 模型輸入
        3.2.2 模型網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.3 激活函數(shù)
        3.2.4 模型輸出
    3.3 模型訓(xùn)練
        3.3.1 目標(biāo)函數(shù)
        3.3.2 模型訓(xùn)練
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)集和環(huán)境介紹
        3.4.2 對比算法
        3.4.3 實驗結(jié)果
        3.4.4 參數(shù)分析
    3.5 本章小結(jié)
第4章 基于用戶和物品的雙重聚類的協(xié)同過濾算法
    4.1 引言
    4.2 基于用戶和物品的雙重聚類協(xié)同過濾算法
        4.2.1 聚類算法改進(jìn)
        4.2.2 雙重聚類
        4.2.3 改進(jìn)的相似度計算方法
        4.2.4 計算預(yù)測評分
    4.3 實驗及結(jié)果分析
        4.3.1 實驗結(jié)果
        4.3.2 參數(shù)分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
在學(xué)期間所發(fā)表的文章


【參考文獻(xiàn)】：
期刊論文
[1]基于信任聚類的協(xié)同過濾推薦算法[J]. 王菲,黃剛,朱崢宇.  計算機(jī)技術(shù)與發(fā)展. 2019(05)
[2]基于聚類的非負(fù)矩陣分解推薦算法研究[J]. 駱孜,龍華,邵玉斌,杜慶治.  通信技術(shù). 2018(11)
[3]自適應(yīng)用戶的Item-based協(xié)同過濾推薦算法[J]. 汪從梅,王成良,徐玲.  計算機(jī)應(yīng)用研究. 2013(12)
[4]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機(jī)工程與應(yīng)用. 2012(07)
[5]基于矩陣分解與用戶近鄰模型的協(xié)同過濾推薦算法[J]. 楊陽,向陽,熊磊.  計算機(jī)應(yīng)用. 2012(02)
[6]SA-DBSCAN:一種自適應(yīng)基于密度聚類算法[J]. 夏魯寧,荊繼武.  中國科學(xué)院研究生院學(xué)報. 2009(04)
[7]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. 2009(02)



本文編號：3201313