在互聯(lián)網(wǎng)快速發(fā)展環(huán)境下,信息過載、用戶需求不明確等現(xiàn)象越來越嚴(yán)重。推薦系統(tǒng)是大數(shù)據(jù)環(huán)境下的重要系統(tǒng)工具,用來使信息分發(fā),準(zhǔn)確及時(shí)高效。協(xié)同過濾推薦算法由于其簡(jiǎn)便高效性,被廣泛應(yīng)用于各種場(chǎng)景之中,但是隨著用戶和物品的數(shù)量增多,用戶和物品的交互數(shù)據(jù)越來越稀疏,再加上受冷啟動(dòng)的影響,協(xié)同過濾推薦算法的性能逐步下降。隨著深度神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展,深度學(xué)習(xí)展現(xiàn)出對(duì)異構(gòu)數(shù)據(jù)優(yōu)秀的表征能力,將深度學(xué)習(xí)應(yīng)用于推薦算法成為如今的研究熱點(diǎn)之一。針對(duì)協(xié)同過濾算法中評(píng)分?jǐn)?shù)據(jù)稀疏性及冷啟動(dòng)現(xiàn)象,分析深度學(xué)習(xí)應(yīng)用于推薦算法的研究現(xiàn)狀,探討如何更好的利用深度學(xué)習(xí)的優(yōu)勢(shì)來彌補(bǔ)推薦算法中存在的缺陷。從不同的角度提出了兩種基于深度學(xué)習(xí)的混合推薦模型。主要的研究工作如下所示:1.提出一種基于深度學(xué)習(xí)的混合推薦模型HRS-DC。從輔助信息的角度入手,利用深度神經(jīng)網(wǎng)絡(luò)提取用戶和項(xiàng)目的屬性信息中的深層特征;利用添加注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)挖掘項(xiàng)目文本信息中的文本特征。將項(xiàng)目特征與用戶特征輸入神經(jīng)協(xié)同過濾模型,擬合用戶與項(xiàng)目之間的非線性關(guān)系,預(yù)測(cè)評(píng)分。2.提出一種基于改進(jìn)對(duì)抗自編碼器的協(xié)同過濾推薦模型cycle-CFAAE。從深度協(xié)...

【文章頁數(shù)】：65 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-5矩陣分解示意圖

河北大學(xué)碩士學(xué)位論文14圖2-5矩陣分解示意圖將預(yù)測(cè)評(píng)分矩陣R與真實(shí)評(píng)分矩陣rating相比較，通常我們對(duì)于這兩個(gè)矩陣不能達(dá)到相等的精確程度，我們要做的是最小化他們之間的差距，這就變成了一個(gè)最優(yōu)化問題。通過優(yōu)化損失函數(shù)來找到u和v中合適的參數(shù)，損失函數(shù)的優(yōu)化公式如公式2-5所示：....

圖2-11卷積神輸入層卷積層池化層卷積層特征提取

函數(shù)值的目的，常用的優(yōu)化算法有隨機(jī)梯度下降算法（Stochasticgradientdescent，SGD）、Adam（Adaptivemomentestimation）優(yōu)化算法[52]。2.3.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeura....

圖2-12文本卷積網(wǎng)絡(luò)(2)詞向量模型

第二章相關(guān)技術(shù)簡(jiǎn)介19圖2-12文本卷積網(wǎng)絡(luò)(2)詞向量模型利用文本卷積神經(jīng)網(wǎng)絡(luò)從商品評(píng)論信息或者項(xiàng)目描述信息中提取項(xiàng)目特征。首先，對(duì)其中的文本信息進(jìn)行轉(zhuǎn)化，常用的轉(zhuǎn)化方式，有one-hot編碼對(duì)類別信息進(jìn)行轉(zhuǎn)化，比如，商品中類別有數(shù)碼、家居、食品、服裝、圖書、美妝、母嬰、醫(yī)藥8....

圖2-13棧式自編碼器encoderdecoder

河北大學(xué)碩士學(xué)位論文20射過程如公式2-11所示：()eeez=fwx+b(2-11)()dddxfwzb=+(2-12)2||,||aelossxx=(2-13)如上述公式所示，將評(píng)分向量數(shù)據(jù)x作為輸入，先在自編碼器中的編碼器中進(jìn)行維度的壓縮，數(shù)據(jù)在隱藏層中進(jìn)行訓(xùn)練，W和b分別....

本文編號(hào)：3977819