推薦技術(shù)能夠在用戶缺乏確切的需求時(shí),通過對(duì)用戶以往的選購(gòu)行為進(jìn)行分析,創(chuàng)建用戶喜好模型,挖掘物品的長(zhǎng)尾,更好地給用戶選出那些他們有興趣但很難發(fā)現(xiàn)的物品,提高選購(gòu)效率。由于深度學(xué)習(xí)和移動(dòng)互聯(lián)網(wǎng)計(jì)算技術(shù)的快速發(fā)展,網(wǎng)絡(luò)中所存儲(chǔ)的信息和數(shù)據(jù)已經(jīng)呈指數(shù)性的增長(zhǎng)。盡管用戶產(chǎn)生的數(shù)據(jù)能夠有助于推薦技術(shù)得到更有價(jià)值的信息,從而大大提升推薦算法的預(yù)測(cè)效果,但過多用戶隨意創(chuàng)建的標(biāo)簽數(shù)據(jù)會(huì)使推薦技術(shù)面臨著數(shù)據(jù)的稀疏性、可擴(kuò)展、冷啟動(dòng)、準(zhǔn)確性、有效特征抽取困難等問題,導(dǎo)致用戶的體驗(yàn)較差,推薦準(zhǔn)確度也較低。本文分析了基于內(nèi)容的推薦算法,概率矩陣分解和基于用戶的推薦算法。在傳統(tǒng)的推薦算法中,用戶在項(xiàng)目上的評(píng)分矩陣越來越稀疏。協(xié)同過濾方法是應(yīng)用范圍最為廣泛的推薦技術(shù),采用簡(jiǎn)單的內(nèi)積交互模型,只考慮單一的評(píng)分信息,存在冷啟動(dòng)問題并且無法學(xué)習(xí)到用戶和項(xiàng)目之間錯(cuò)綜復(fù)雜的非線性關(guān)系。然而基于內(nèi)容的推薦算法具有個(gè)性化的優(yōu)勢(shì),只能推薦出與用戶過去瀏覽相似的物品,并遭遇有效特征提取的困難。而深度學(xué)習(xí)模型的特性可以學(xué)習(xí)到更復(fù)雜的結(jié)構(gòu),因此將深度學(xué)習(xí)技術(shù)與推薦算法融合解決上述問題成為了新的發(fā)展趨勢(shì)。針對(duì)這一問題,提出一種基于深度學(xué)... 

【文章來源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ReLU激活函數(shù)

憒?胍?夭悖?諮?敬?淶墓?討?模型的權(quán)重是不發(fā)生變化的，偏置值的個(gè)數(shù)和神經(jīng)元的個(gè)數(shù)是相同的，任意一層神經(jīng)元行為的改變只會(huì)影響到其后一層的神經(jīng)元。在隱藏層中，計(jì)算出各個(gè)神經(jīng)元的輸出并進(jìn)行存儲(chǔ)，利用非線性激活函數(shù)將前一層的輸出作為其后一層的輸入，學(xué)習(xí)用戶和項(xiàng)目之間的非線性交互特性。通過求解損失代價(jià)函數(shù)得出反饋來對(duì)模型中的權(quán)重進(jìn)行不斷更新調(diào)整，從而讓模型的預(yù)測(cè)值更接近期望輸出值。MLP網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入、隱藏以及輸出三個(gè)層級(jí)，其中隱藏層能夠擁有一到多個(gè)層級(jí)，每一層由一到多個(gè)神經(jīng)元組成，如圖4.5所示[53]。圖4.5多層感知機(jī)的神經(jīng)網(wǎng)絡(luò)模型MLP網(wǎng)絡(luò)結(jié)構(gòu)中的信息是一個(gè)前向傳播的過程，上一層的輸出作為下一層的輸入，MLP神經(jīng)網(wǎng)絡(luò)模型的隱層計(jì)算方式如下所示：1111ZFWx公式(4.5)

桂林理工大學(xué)碩士學(xué)位論文36用戶、項(xiàng)目的隱因子向量。（3）在隱藏層上，分別表示用戶和項(xiàng)目的隱因子向量當(dāng)作HRBSD模型隱藏層的輸入，HRBSD模型分別利用并排的HRBS模型和多層感知機(jī)深度學(xué)習(xí)模型一起進(jìn)行訓(xùn)練，得到用戶和項(xiàng)目的隱表示[65]。多層感知機(jī)模型的隱藏層為一個(gè)多層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每一層都學(xué)習(xí)用戶和項(xiàng)目之間更抽象、更深層次的非線性交互特征。（4）隱藏層到輸出層能夠被看作是一個(gè)預(yù)測(cè)多類型所屬的回歸問題，即SoftMax邏輯回歸，所以輸出層的預(yù)測(cè)評(píng)分uiy計(jì)算方式如下：1argmaxmerge,HRBSuiiiiyGWZb公式(4.9)merge操作：對(duì)隱藏層的HRBS和MLP兩個(gè)模型進(jìn)行合并模式，將不同的輸入合并起來。函數(shù)G是SoftMax。argmax返回概率最大值的項(xiàng)目下標(biāo)，即推薦給用戶的項(xiàng)目。圖4.6HRBSD推薦模型4.4.2模型的訓(xùn)練流程在HRBSD模型中，采用二分類交叉熵?fù)p失函數(shù)[66]構(gòu)建目標(biāo)優(yōu)化函數(shù)，利用隨機(jī)梯度下降算法對(duì)損失代價(jià)函數(shù)進(jìn)行最小化求解，從而實(shí)現(xiàn)對(duì)HRBSD模型的參數(shù)進(jìn)行優(yōu)化，最后利用學(xué)習(xí)到的隱表示進(jìn)行項(xiàng)目推薦。在模型訓(xùn)練過程中，為了避免模型過擬合效應(yīng)的發(fā)生，提升模型的泛化能力，在二分類交叉熵?fù)p失函數(shù)后加上L2正則化懲處項(xiàng)[67]，

【參考文獻(xiàn)】：
期刊論文
[1]基于Stacking策略的穩(wěn)定性分類器組合模型研究[J]. 吳擋平,張忠林,曹婷婷.  小型微型計(jì)算機(jī)系統(tǒng). 2019(05)
[2]基于深度學(xué)習(xí)的多交互混合推薦模型[J]. 李同歡,唐雁,劉冰.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[3]基于深度學(xué)習(xí)加強(qiáng)的混合推薦方法[J]. 張敏,丁弼原,馬為之,譚云志,劉奕群,馬少平.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(10)
[4]一種適用于卷積神經(jīng)網(wǎng)絡(luò)的Stacking算法[J]. 張笑銘,王志君,梁利平.  計(jì)算機(jī)工程. 2018(04)
[5]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[6]稀疏約束下非負(fù)矩陣分解的增量學(xué)習(xí)算法[J]. 王萬良,蔡競(jìng).  計(jì)算機(jī)科學(xué). 2014(08)
[7]BP-AdaBoost模型在光纖陀螺零偏溫度補(bǔ)償中的應(yīng)用[J]. 劉元元,楊功流,李思宜.  北京航空航天大學(xué)學(xué)報(bào). 2014(02)
[8]張量分解的標(biāo)簽推薦及新用戶標(biāo)簽推薦算法[J]. 廖志芳,王超群,李小慶,張苗.  小型微型計(jì)算機(jī)系統(tǒng). 2013(11)

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]基于多目標(biāo)優(yōu)化的個(gè)性化推薦算法研究[D]. 耿冰蕊.西安電子科技大學(xué) 2018
[3]個(gè)性化推薦的可解釋性研究[D]. 張永鋒.清華大學(xué) 2016

碩士論文
[1]基于多因素的矩陣分解推薦算法研究與實(shí)現(xiàn)[D]. 張文博.北京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的混合推薦算法研究[D]. 張立超.哈爾濱理工大學(xué) 2019
[3]基于深度學(xué)習(xí)的推薦系統(tǒng)算法研究[D]. 張杰.太原理工大學(xué) 2019
[4]基于注意力機(jī)制及深度學(xué)習(xí)的文本情感分析研究[D]. 梁寧.華北電力大學(xué) 2019
[5]一種新型混合推薦模型的設(shè)計(jì)與實(shí)現(xiàn)[D]. 郭正凱.北京郵電大學(xué) 2019
[6]基于深度學(xué)習(xí)的混合協(xié)同過濾推薦算法的研究與應(yīng)用[D]. 胡楊.江蘇大學(xué) 2019
[7]基于深度學(xué)習(xí)考慮深層特征的個(gè)性化推薦算法研究[D]. 劉輝.電子科技大學(xué) 2019
[8]基于張量分解的個(gè)性化推薦算法研究[D]. 胡強(qiáng).華東交通大學(xué) 2018
[9]面向個(gè)性化推薦的矩陣分解算法研究[D]. 王歡.河南大學(xué) 2018
[10]基于深度學(xué)習(xí)的電影推薦系統(tǒng)研究與實(shí)現(xiàn)[D]. 王建洋.西南交通大學(xué) 2018



本文編號(hào)：3500666