近年來,推薦系統(tǒng)已廣泛應(yīng)用于B2C網(wǎng)絡(luò)銷售、社交網(wǎng)絡(luò)服務(wù)、搜索引擎和定位服務(wù)等領(lǐng)域中,取得較好成效,但推薦系統(tǒng)仍存在一些制約因素,如數(shù)據(jù)稀疏性問題。目前,大多數(shù)推薦系統(tǒng)評(píng)級(jí)預(yù)測(cè)工作利用了深度學(xué)習(xí)技術(shù),首先基于已有的用戶-項(xiàng)目評(píng)分矩陣,再利用用戶和項(xiàng)目的輔助信息來解決上述問題,雖然可以一定程度上彌補(bǔ)數(shù)據(jù)稀疏性問題,但存在忽視上下文語義和句法信息問題,從而影響推薦性能;另外,當(dāng)前流行的評(píng)級(jí)預(yù)測(cè)模型大多利用了矩陣分解來進(jìn)行融合,但用戶和項(xiàng)目的初始隱式特征矩陣對(duì)矩陣分解影響很大,有些工作回避或輕忽這個(gè)問題。針對(duì)上述研究工作中所存在的問題,論文對(duì)基于深度學(xué)習(xí)的推薦系統(tǒng)評(píng)級(jí)預(yù)測(cè)算法進(jìn)行深入研究,提出了一種新穎的雙自編碼器矩陣分解模型（Dual AutoEncoders Matrix Factorization,DAE-MF）,充分利用深度學(xué)習(xí)技術(shù)、評(píng)分矩陣和用戶項(xiàng)目的評(píng)論信息來提高推薦準(zhǔn)確率。本文的主要工作內(nèi)容如下:（1）提出了使用卷積自編碼器（Convolutional AutoEncoder,CAE）來處理項(xiàng)目評(píng)論信息。卷積自編碼器通過無監(jiān)督預(yù)訓(xùn)練對(duì)文檔評(píng)論信息進(jìn)行建模,不僅能夠提取評(píng)論信息中... 

【文章來源】：南昌大學(xué)江西省211工程院校

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．３基于深度學(xué)習(xí)的推薦系統(tǒng)框架示意圖??在本節(jié)中，將深入探討深度學(xué)習(xí)在推薦系統(tǒng)研究領(lǐng)域的三大應(yīng)用現(xiàn)狀，本??文在傳統(tǒng)推薦系統(tǒng)分類的基礎(chǔ)上考慮系統(tǒng)所利用的數(shù)據(jù)類型，把當(dāng)前的研究劃??

?第２章相關(guān)背景知識(shí)介紹???圓?＾＾＾３??圖２．１?ＩＭＤＢ網(wǎng)站顯式評(píng)分信息??而隱式反饋行為則無法明確用戶的喜好，常見的隱式反饋行為是用戶瀏覽??網(wǎng)頁(yè)記錄。用戶瀏覽網(wǎng)頁(yè)可能不是對(duì)該物品感興趣，而是出于好奇或者無意中??點(diǎn)擊瀏覽該物品。雖然該記錄不能明確得知用戶的喜好，但是一般網(wǎng)站獲取到??的此類隱式數(shù)據(jù)占比很大，由此，在利用顯式反饋數(shù)據(jù)的基礎(chǔ)上，更應(yīng)該從隱??式反饋數(shù)據(jù)中挖掘有價(jià)值意義的內(nèi)容，從而實(shí)現(xiàn)個(gè)性化推薦，避免“千遍一律”??的推薦方式。??根據(jù)數(shù)據(jù)類型的不同，個(gè)性化推薦需要使用的算法主要由兩種組成：第一??種是根據(jù)內(nèi)容的推薦算法，第二種是協(xié)同過濾ＣＦ的推薦算法�；趦�(nèi)容的推薦??算法的主要思想是給用戶推薦他喜歡的和他關(guān)注過的信息在物品內(nèi)容上相似度??最大的信息。??從圖２．２中可以看到，用戶Ａ喜歡具有喜劇、古裝和愛情風(fēng)格的電影ａ，用??戶Ｂ和用戶Ｃ都喜歡科幻、驚悚和動(dòng)作類型的電影ｂ，從圖中可知電影ａ和電??影ｃ含有相同標(biāo)簽（喜劇和古裝），電影ａ和電影ｂ的標(biāo)簽不同，由此我們可以??認(rèn)為用戶Ａ不僅喜歡電影ａ，也喜歡與電影ａ類似的電影ｃ，所以給用戶Ａ推薦??電影ｃ以滿足他的愛好。??１３??

ｔｈｏｎＷ理論與Ｓ５?灌?步面秀）?９妨?彩）?ＬＭｒｎｆｌＪＴ＃ｎｓ〇ｒＦＩ〇ｋｖ??５？，）?《ａ殼拉鰳》｜Ｔ?★夤食會(huì)＜Ｍ７１?？＿？Ｈ網(wǎng)篇（ｆ?（ａ?ＲｅｉｌｌｙＵｆｉＢ書摹列Ｉ??ｍｔｔ議發(fā)?食★食２７?Ｋｍｄｌｅ％子書?夤貪夤食☆?１０?興Ｓ利安杰龍??＊＊＊＊☆?２Ｓ?Ｋｍｄｌｅ？子書?￥７．９９?ｌＯｎｄｌｅ甩子蝸舍俞俞俞ｔ＞９??ＪＯｎｄＷｅ子爺?￥?２８．９９?￥?４８．９９?Ｋｍｄｌｅ轚子夯??￥?２４．９９?￥６０．００??圖２．３亞馬遜網(wǎng)站對(duì)用戶進(jìn)行個(gè)性化推薦書籍??從協(xié)同過濾算法的核心推薦思路中可知，我們需要通過計(jì)算用戶和用戶之??間或物品和物品之間的相似度，再根據(jù)相似度大小進(jìn)行推薦。相似度越高的用??戶或物品表示他們有著相似的偏好，反之，相似度低意味著他們存在較少的興??趣愛好或無共同愛好。推薦系統(tǒng)常用的相似度方法有四種，分為Ｃｏｓｉｎｅ?Ｓｉｍｉｌａｒｉｔｙ??（即?Ｃｏｓｉｎｅ?相似度）、Ｔａｎｉｍｏｔｏ?Ｃｏｅｆｆｉｃｉｅｎｔ（即?Ｔａｎｉｍｏｔｏ?系數(shù)）、Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ??Ｃｏｅｆｆｉｃｉｅｎｔ?（即皮爾森相關(guān)系數(shù)）和Ｅｕｃｌｉｄｅａｎ?Ｄｉｓｔａｎｃｅ?Ｓｉｍｉｌａｒｉｔｙ?（即歐式距離相??似度），假設(shè)用戶ａ對(duì)物品ｋ（ｆｃｅｈ?７表示所有物品的集合）的評(píng)分Ｓｒａｆｃ，用??戶ｂ對(duì)物品ｋ的評(píng)分為ｒｆｃｋ，可以利用下述四種相似度公式表示用戶ａ和用戶ｂ??的相似度值，每種方法的計(jì)算公式為：??（１）?Ｃｏｓｉｎｅ相似度??ｃ?一?ｒａ＇ｒｂ?＿?Ｅ?ｒａｋｒｂｋ?Ｏ?＂１１??ＣＳａｂ?｜ｋａｌ｜２ｘ｜｜ｒｂ｜｜２?？Ｊ＇

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)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(jì)算機(jī)學(xué)報(bào). 2018(07)
[2]個(gè)性化推薦系統(tǒng)綜述[J]. 王國(guó)霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)



本文編號(hào)：3619284