隨著移動互聯(lián)網(wǎng)的高速發(fā)展,互聯(lián)網(wǎng)已經(jīng)與我們生活的方方面面緊密相連,同時也產(chǎn)生了大量的用戶行為數(shù)據(jù)。這些用戶行為數(shù)據(jù)具有海量、高維、內(nèi)部結(jié)構(gòu)復(fù)雜等特征,且蘊(yùn)含著用戶的偏好,用戶偏好表達(dá)了用戶的個人傾向以及可能的行為,因此,構(gòu)建用戶偏好模型,基于偏好模型進(jìn)行評分預(yù)測和偏好估計,為個性化服務(wù)、推薦提供有效支撐,具有重要意義。一方面,用戶偏好客觀存在但無法被直接觀測到,用隱變量描述無法直接觀測的變量。同時,用戶評分?jǐn)?shù)據(jù)中各屬性間存在復(fù)雜的相互依賴關(guān)系,而貝葉斯網(wǎng)(Bayesian Network,BN)可以有效的表達(dá)屬性間任意的依賴關(guān)系及其不確定性,并且具有良好的推理能力。含隱變量的貝葉斯網(wǎng)是構(gòu)建用戶偏好模型的一種有效方法,已被廣泛的應(yīng)用于不確定性知識領(lǐng)域。因此本文考慮,用隱變量表示用戶偏好,提出基于隱變量模型的評分?jǐn)?shù)據(jù)中的用戶偏好模型;另一方面,含隱變量的貝葉斯網(wǎng)的構(gòu)建過程會產(chǎn)生大量中間數(shù)據(jù),使得計算復(fù)雜度急劇上升,因此本文考慮在含隱變量的貝葉斯網(wǎng)的基礎(chǔ)上引入深度信念網(wǎng)絡(luò)(Deepbelief Network,DBN)分類器構(gòu)建用戶偏好模型,降低模型構(gòu)建復(fù)雜度。具體來說,本文采用DBN對評分...

【文章來源】： 云南大學(xué)云南省 211工程院校

【文章頁數(shù)】：68 頁

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 用戶偏好建模
        1.2.2 基于深度信念網(wǎng)絡(luò)的用戶偏好建模
        1.2.3 基于用戶偏好模型的偏好估計和評分預(yù)測
    1.3 本文主要研究內(nèi)容
    1.4 本文的組織結(jié)構(gòu)
第二章 基礎(chǔ)知識
    2.1 貝葉斯網(wǎng)
        2.1.1 貝葉斯網(wǎng)簡介
        2.1.2 貝葉斯網(wǎng)的構(gòu)建
        2.1.3 貝葉斯網(wǎng)的推理
    2.2 隱變量模型
        2.2.1 隱變量模型簡介
        2.2.2 隱變量模型構(gòu)建
    2.3 深度信念網(wǎng)絡(luò)簡介
        2.3.1 受限玻爾茲曼機(jī)
        2.3.2 深度信念網(wǎng)絡(luò)模型
        2.3.3 深度信念網(wǎng)絡(luò)分類器
第三章 用戶偏好建模
    3.1 模型相關(guān)定義
    3.2 基于DBN的評分?jǐn)?shù)據(jù)分類
    3.3 CSBN模型構(gòu)建
        3.3.1 約束條件
        3.3.2 基于約束的CSBN參數(shù)學(xué)習(xí)
        3.3.3 基于約束的CSBN結(jié)構(gòu)學(xué)習(xí)
    3.4 本章小結(jié)
第四章 基于CSBN模型的評分預(yù)測和偏好估計
    4.1 基于變量消元法的CSBN模型推理
    4.2 基于CSBN模型推理的用戶偏好估計
    4.3 基于CSBN模型推理的評分預(yù)測
    4.4 本章小結(jié)
第五章 實驗結(jié)果與分析
    5.1 實驗相關(guān)設(shè)置
        5.1.1 實驗環(huán)境設(shè)置
        5.1.2 實驗數(shù)據(jù)
        5.1.3 偏好估計測試指標(biāo)
        5.1.4 評分預(yù)測測試指標(biāo)
    5.2 CSBN構(gòu)建效率測試
        5.2.1 模型構(gòu)建時間
        5.2.2 模型構(gòu)建中間結(jié)果規(guī)模
    5.3 有效性測試
        5.3.1 偏好估計
        5.3.2 評分預(yù)測
    5.4 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合深度置信網(wǎng)絡(luò)與混合神經(jīng)網(wǎng)絡(luò)的圖像分類方法 [J]. 劉罡,徐超,陳思義,吳聰.  小型微型計算機(jī)系統(tǒng). 2017(09)
[2]基于深度模型的社會新聞對用戶情感影響挖掘 [J]. 孫曉,高飛,任福繼.  中文信息學(xué)報. 2017(03)
[3]面向用戶偏好發(fā)現(xiàn)的隱變量模型構(gòu)建與推理 [J]. 高艷,岳昆,武浩,付曉東,劉惟一.  計算機(jī)應(yīng)用. 2017(02)
[4]基于深度信念網(wǎng)絡(luò)的個性化信息推薦 [J]. 王兆凱,李亞星,馮旭鵬,劉利軍,黃青松,劉曉梅.  計算機(jī)工程. 2016(10)
[5]基于用戶評分和評論信息的協(xié)同推薦框架 [J]. 譚云志,張敏,劉奕群,馬少平.  模式識別與人工智能. 2016(04)
[6]大數(shù)據(jù)分析的無限深度神經(jīng)網(wǎng)絡(luò)方法 [J]. 張蕾,章毅.  計算機(jī)研究與發(fā)展. 2016(01)
[7]上下文感知推薦系統(tǒng)中基于用戶認(rèn)知行為的偏好獲取方法 [J]. 高全力,高嶺,楊建鋒,王海.  計算機(jī)學(xué)報. 2015(09)
[8]基于深度信念網(wǎng)絡(luò)的語音情感識別的研究 [J]. 黃晨晨,鞏微,伏文龍,馮東煜.  計算機(jī)研究與發(fā)展. 2014(S1)
[9]一種數(shù)值屬性的深度置信網(wǎng)絡(luò)分類方法 [J]. 孫勁光,蔣金葉,孟祥福,李秀娟.  計算機(jī)工程與應(yīng)用. 2014(02)
[10]一種基于信任度和鏈接預(yù)測方法的移動用戶偏好預(yù)測方法 [J]. 耿華,孟祥武,史艷翠.  電子與信息學(xué)報. 2013(12)



本文編號：3530782