近年來,推薦系統(tǒng)已廣泛應用于B2C網(wǎng)絡銷售、社交網(wǎng)絡服務、搜索引擎和定位服務等領域中,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)評級預測工作利用了深度學習技術,首先基于已有的用戶-項目評分矩陣,再利用用戶和項目的輔助信息來解決上述問題,雖然可以一定程度上彌補數(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,當前流行的評級預測模型大多利用了矩陣分解來進行融合,但用戶和項目的初始隱式特征矩陣對矩陣分解影響很大,有些工作回避或輕忽這個問題。針對上述研究工作中所存在的問題,論文對基于深度學習的推薦系統(tǒng)評級預測算法進行深入研究,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）,充分利用深度學習技術、評分矩陣和用戶項目的評論信息來提高推薦準確率。本文的主要工作內容如下:（1）提出了使用卷積自編碼器（Convolutional AutoEncoder,CAE）來處理項目評論信息。卷積自編碼器通過無監(jiān)督預訓練對文檔評論信息進行建模,不僅能夠提取評論信息中... 

【文章來源】：南昌大學江西省211工程院校

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

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

?第２章相關背景知識介紹???圓?＾＾＾３??圖２．１?ＩＭＤＢ網(wǎng)站顯式評分信息??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)頁記錄。用戶瀏覽網(wǎng)頁可能不是對該物品感興趣，而是出于好奇或者無意中??點擊瀏覽該物品。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)的基礎上，更應該從隱??式反饋數(shù)據(jù)中挖掘有價值意義的內容，從而實現(xiàn)個性化推薦，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)內容的推薦算法，第二種是協(xié)同過濾ＣＦ的推薦算法�；趦热莸耐扑]??算法的主要思想是給用戶推薦他喜歡的和他關注過的信息在物品內容上相似度??最大的信息。??從圖２．２中可以看到，用戶Ａ喜歡具有喜劇、古裝和愛情風格的電影ａ，用??戶Ｂ和用戶Ｃ都喜歡科幻、驚悚和動作類型的電影ｂ，從圖中可知電影ａ和電??影ｃ含有相同標簽（喜劇和古裝），電影ａ和電影ｂ的標簽不同，由此我們可以??認為用戶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＜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)站對用戶進行個性化推薦書籍??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?（即皮爾森相關系數(shù)）和Ｅｕｃｌｉｄｅａｎ?Ｄｉｓｔａｎｃｅ?Ｓｉｍｉｌａｒｉｔｙ?（即歐式距離相??似度），假設用戶ａ對物品ｋ（ｆｃｅｈ?７表示所有物品的集合）的評分Ｓｒａｆｃ，用??戶ｂ對物品ｋ的評分為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】：
期刊論文
[1]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[2]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應用. 2012(07)



本文編號：3619284