發(fā)布時(shí)間：2021-12-11 18:52

　　隨著新興電影產(chǎn)業(yè)的發(fā)展,全球的電影市場(chǎng)保持著穩(wěn)定增長的基本態(tài)勢(shì),互聯(lián)網(wǎng)上也擁有無比浩瀚的電影資源,推薦系統(tǒng)已經(jīng)成為了人們?cè)诳焖俨檎腋信d趣的電影的方式。近年來,深度學(xué)習(xí)在圖像識(shí)別,自然語言處理等領(lǐng)域得到了廣泛的應(yīng)用,同時(shí),最近的一些研究也表明深度學(xué)習(xí)在推薦系統(tǒng)上的可靠性。在這樣的背景下,對(duì)個(gè)性化推薦系統(tǒng)的基礎(chǔ)理論進(jìn)行研究,并利用深度學(xué)習(xí)在推薦領(lǐng)域的相關(guān)技術(shù),提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦算法,稱為深度神經(jīng)矩陣分解（Deep Neural Matrix Factorization）。首先,深度神經(jīng)矩陣模型使用了一種新的方式提取用戶和項(xiàng)目的潛在向量。定義了記憶組件和歸納組件對(duì)用戶和項(xiàng)目的輸入向量進(jìn)行特征提取,隱射到新的稠密空間。記憶組件實(shí)質(zhì)是淺層的線性單元,歸納組件實(shí)則是深層的非線性神經(jīng)網(wǎng)絡(luò)。在實(shí)驗(yàn)中證明,記憶組件和歸納組件均對(duì)模型性能有顯著的效果。其次,采用多方式對(duì)不同潛在向量進(jìn)行訓(xùn)練。對(duì)于記憶組件產(chǎn)生的用戶或者項(xiàng)目向量,稱為記憶向量,采用廣義矩陣分解模型,將用戶和項(xiàng)目記憶向量逐元素相乘來描述用戶和項(xiàng)目之間潛在交互特征,因這一過程都是進(jìn)行線性變換,所以保存了記憶向量的有效記憶信息。... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

長尾理論

_丁(，丫徹

圖 2-1 神經(jīng)網(wǎng)絡(luò)示意圖所有神經(jīng)網(wǎng)絡(luò)都有一個(gè)輸入層，其中輸入初始數(shù)據(jù)，輸出層產(chǎn)生最終預(yù)測(cè)。但是在深度神經(jīng)網(wǎng)絡(luò)中，這些輸入和輸出層之間將存在多個(gè)神經(jīng)元的“隱藏層”，每個(gè)層都將數(shù)據(jù)相互饋送。因此，在“深度學(xué)習(xí)”和“深度神經(jīng)網(wǎng)絡(luò)”中，術(shù)語“深度”，它是對(duì)這些神經(jīng)網(wǎng)絡(luò)核心的大量隱藏層（通常大于三層）的參考。在圖 2-1 中，網(wǎng)絡(luò)已經(jīng)被訓(xùn)練以識(shí)別手寫的圖形，例如這里示出的數(shù)字 2，其中輸入層被饋送表示構(gòu)成手寫數(shù)字的圖像的像素的值，并且輸出層預(yù)測(cè)哪個(gè)手寫的數(shù)字。顯示在圖像中。在上圖中，每個(gè)圓圈代表網(wǎng)絡(luò)中的神經(jīng)元，神經(jīng)元組織成垂直層。每個(gè)神經(jīng)元都會(huì)與下一層中的每個(gè)神經(jīng)元進(jìn)行連接，表示每個(gè)神經(jīng)元向后續(xù)層中的每個(gè)神經(jīng)元輸出一個(gè)值。圖中鏈接的顏色也各不相同。不同的顏色，黑色和紅色，代表神經(jīng)元之間的聯(lián)系的重要性。紅色鏈接是更重要的鏈接，這意味著它們將在層之間傳遞時(shí)放大值。反過來，這個(gè)值的放大可以幫助激活正在輸入值的神經(jīng)元。

【參考文獻(xiàn)】：
期刊論文
[1]協(xié)同過濾中基于用戶興趣度的相似性度量方法[J]. 嵇曉聲,劉宴兵,羅來明.  計(jì)算機(jī)應(yīng)用. 2010(10)



本文編號(hào)：3535209