目前,我們正經(jīng)歷著從信息時代到數(shù)據(jù)時代的變遷,在享受海量信息的同時,也面臨著信息過載所帶來的一系列困擾。而推薦系統(tǒng)則可通過技術(shù)手段,幫助用戶快速定位到目標(biāo)信息或物品,從而有效緩解了該問題。傳統(tǒng)協(xié)同過濾算法是目前推薦領(lǐng)域使用最為廣泛的算法之一,但評分矩陣稀疏性問題一直是影響其推薦精度的關(guān)鍵。近年來已有研究嘗試將深度學(xué)習(xí)技術(shù)用于推薦系統(tǒng),主要是利用深度學(xué)習(xí)對異構(gòu)數(shù)據(jù)的表征能力,與傳統(tǒng)推薦算法相融合。針對這一研究問題,本文從模型設(shè)計及輔助信息兩個角度出發(fā),提出了一種基于深度學(xué)習(xí)與協(xié)同過濾的緊耦合融合模型,來緩解評分預(yù)測問題中因矩陣稀疏導(dǎo)致預(yù)測準(zhǔn)確率不高的問題。在輔助信息使用方面,論文利用爬蟲技術(shù)獲取了用戶側(cè)與物品側(cè)、結(jié)構(gòu)化與非結(jié)構(gòu)化的輔助信息,從數(shù)據(jù)角度彌補(bǔ)了模型對評分矩陣稀疏性較敏感的問題。在模型設(shè)計方面,論文基于輔助信息多樣性及結(jié)構(gòu)差異,采用多個不同的深度學(xué)習(xí)模型進(jìn)行輔助信息挖掘,用改進(jìn)后的棧式自編碼器來進(jìn)行用戶興趣學(xué)習(xí),利用卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行物品隱含特征挖掘,并對此模型進(jìn)行改進(jìn),通過引入注意力機(jī)制來捕獲文本的局部關(guān)鍵點(diǎn),進(jìn)而提升挖掘效果。最終基于概率矩陣分解思想實(shí)現(xiàn)多個深度學(xué)習(xí)模型與協(xié)...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦算法研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的推薦算法研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀分析
    1.3 主要研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)研究綜述
    2.1 推薦系統(tǒng)綜述
        2.1.1 推薦系統(tǒng)簡介
        2.1.2 推薦系統(tǒng)架構(gòu)
        2.1.3 推薦的核心問題及方法
    2.2 相關(guān)技術(shù)
        2.2.1 自編碼器
        2.2.2 詞向量模型
    2.3 評分預(yù)測問題的主要方法
        2.3.1 基于鄰域的協(xié)同過濾算法
        2.3.2 基于矩陣分解的協(xié)同過濾算法
        2.3.3 混合推薦算法
        2.3.4 現(xiàn)有研究總結(jié)
    2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)融合模型的推薦算法
    3.1 基于擴(kuò)展棧式自編碼器的用戶興趣挖掘
    3.2 基于擴(kuò)展卷積神經(jīng)網(wǎng)絡(luò)的物品特征挖掘
        3.2.1 基于詞嵌入模型的文本表示
        3.2.2 基于擴(kuò)展卷積神經(jīng)網(wǎng)絡(luò)的物品特征挖掘
    3.3 基于深度學(xué)習(xí)融合模型的推薦算法
        3.3.1 基于概率矩陣分解的隱含特征提取
        3.3.2 深度學(xué)習(xí)融合模型
    3.4 本章小結(jié)
第4章 實(shí)驗(yàn)與結(jié)果分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
        4.1.1 公開數(shù)據(jù)集選取
        4.1.2 輔助信息采集
    4.2 評估指標(biāo)
    4.3 實(shí)驗(yàn)設(shè)計與結(jié)果
        4.3.1 實(shí)驗(yàn)環(huán)境
        4.3.2 數(shù)據(jù)預(yù)處理
        4.3.3 參數(shù)設(shè)置
        4.3.4 算法自對比
        4.3.5 可視化分析
        4.3.6 與其他算法的對比
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號：3792927