大數(shù)據(jù)、云計(jì)算、人工智能等新技術(shù)的迅速發(fā)展,使得互聯(lián)網(wǎng)應(yīng)用層出不窮,導(dǎo)致網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)指數(shù)級(jí)的增長,大規(guī)模數(shù)據(jù)為各領(lǐng)域發(fā)展帶來新的契機(jī)和危機(jī)。一方面,海量數(shù)據(jù)信息為推薦系統(tǒng)帶來更多有價(jià)值的信息,另一方面,對(duì)于傳統(tǒng)的協(xié)同過濾推薦系統(tǒng)來說,已經(jīng)難以滿足用戶的推薦需求。稀疏性問題、冷啟動(dòng)問題以及可解釋性問題都是推薦系統(tǒng)尚待解決的問題。因此,需要新的技術(shù)更新替換傳統(tǒng)技術(shù)才能有效地解決上述問題。傳統(tǒng)協(xié)同過濾推薦因評(píng)分?jǐn)?shù)據(jù)單一無法對(duì)推薦結(jié)果做出合理解釋,后來從某一類輔助信息中提取有效隱含特征輔助推薦,雖然在一定程度上可以提高單域推薦的準(zhǔn)確性,但是若要深入地挖掘用戶與項(xiàng)目之間的復(fù)雜關(guān)系,需要研究在推薦系統(tǒng)中融入多源數(shù)據(jù),并且研究使用新技術(shù)從多源數(shù)據(jù)中提取綜合性特征,同時(shí)研究實(shí)現(xiàn)所提取的用戶特征和項(xiàng)目特征的交互,計(jì)算預(yù)測(cè)評(píng)分�；谝陨蠁栴}背景,本文提出一種融合多源數(shù)據(jù)的深度學(xué)習(xí)模型DCNNs用于推薦系統(tǒng),具體研究工作有:（1）多源數(shù)據(jù)融入基于深度學(xué)習(xí)的推薦系統(tǒng)中。為了使推薦結(jié)果不受單源數(shù)據(jù)限制,解決推薦系統(tǒng)中的稀疏性問題和冷啟動(dòng)問題,研究從多源數(shù)據(jù)中獲取用戶和待推薦物品相關(guān)附屬的標(biāo)簽、評(píng)論文本等數(shù)據(jù),因... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１協(xié)同過濾推薦方式??Ｆｉｇ．?２．１?Ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｍｅｔｈｏｄ??

?大連海事大學(xué)碩士學(xué)位論文???１２??．?１?，?．?＼?．?ｎ??ｌｌ?１?１?＂?ＲＲ??２?．?．???ｕ?ｉ?．?．?????Ｒ????ｎｒｌ????ｍ?Ｒ?Ｒ???圖２．?２構(gòu)建用戶－項(xiàng)目評(píng)分矩陣??Ｆｉｇ．?２．２?Ｂｕｉｌｄ?ｕｓｅｒ?ｐｒｏｊｅｃｔ?ｒａｔｉｎｇ?ｍａｔｒｉｘ??（２）通過計(jì)算相似度找到相似的用戶。相似度的計(jì)算方式可以參考同現(xiàn)相似度、??余弦相似度、皮爾遜相似度等方法。??同現(xiàn)相似度：用于查找相似的用戶或者物品，計(jì)算時(shí)首先明確與待推薦用戶相似的??用戶群體，然后將用戶群體擁有的而待推薦用戶沒有的物品推薦給待推薦用戶。這種求??解相似度的方法在Ｓｐａｒｋ－ＭＬｉｂ中比較常見。??Ｍ／?｜＿ｎ?雜）｜??＇?（２１）??表示某個(gè)用戶《愛好的物品集合，表示用戶Ｖ愛好的物品集合。??余弦相似度（ｃｏｓｉｎｅ?ｓｉｍｉｌａｒｉｔｙ）：在數(shù)學(xué)領(lǐng)域用于度量向量方向的相似性，通過計(jì)??算兩個(gè)向量夾角的余弦值判斷相似度。在協(xié)同過濾當(dāng)中用來計(jì)算用戶或項(xiàng)目的相似性。??將用戶；和用戶＿／在ｎ個(gè)項(xiàng)目上的評(píng)分分別記為《維向量（■／，則余弦相似度計(jì)算阽公式??２．２。??Ｉ?．Ｊ??ｓｉｍ（ｉ，ｊ）?＝?ｃｏｓ（／，Ｊ）?＝?Ｔ－ｉｒ－＾ｒ－ｊ７??ＩＫ！?ｌｒ?ＩＩ?（２．２）??余弦相似度的取值范圍是［０，１］，越接近１，越證明相似度越髙，但是余弦相似度沒??有將用戶評(píng)分的均值考慮進(jìn)去，于是就出現(xiàn)了改進(jìn)版本的余弦相似度，形式類似于皮爾??遜系數(shù)。??皮爾遜系數(shù)（Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ?Ｃｏｅｆｆｉｃｉｅｎｔ）?［

?ｎ??１??ｌ?ｒＪ??Ｉ???２??２?Ｒ?｜??２????????Ｒ???????Ｉ?Ｓ?９?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｘ?＿＿＿＿＿一?Ｈ????Ｉ?＾???ｍ－２??ｍ－２?Ｒ＿ｌ??ｍ－２???ｍ－１??ｍ＊ｌ?Ｒ?；??ｍ－ｔ???ｍ?１１１?Ｉ?Ｉ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?ｌ?Ｗ?Ｉ?Ｉ?ｌ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｓ?Ｒ?Ｐ??圖２．?３基于用戶的推薦列表計(jì)算過程??Ｆｉｇ．?２．３?Ｃａｌｃｕｌａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｌｉｓｔ?ｂａｓｅｄ?ｏｎ?ｕｓｅｒｓ??８??

【參考文獻(xiàn)】：
期刊論文
[1]Attention機(jī)制在脫機(jī)中文手寫體文本行識(shí)別中的應(yīng)用[J]. 王馨悅,董蘭芳.  小型微型計(jì)算機(jī)系統(tǒng). 2019(09)
[2]基于注意力機(jī)制與評(píng)論文本深度模型的推薦方法[J]. 黃文明,衛(wèi)萬成,張健,鄧珍榮.  計(jì)算機(jī)工程. 2019(09)
[3]一種基于深度學(xué)習(xí)的混合推薦算法[J]. 曾旭禹,楊燕,王淑營,何太軍,陳劍波.  計(jì)算機(jī)科學(xué). 2019(01)
[4]基于皮爾遜相關(guān)系數(shù)的網(wǎng)絡(luò)輿情評(píng)估指標(biāo)體系構(gòu)建研究[J]. 覃玉冰,鄧春林,楊柳.  情報(bào)探索. 2018(10)
[5]基于VSM的移動(dòng)圖書館用戶畫像及場(chǎng)景推薦[J]. 畢達(dá)天,王福,許鵬程.  數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn). 2018(09)
[6]基于深度學(xué)習(xí)的多交互混合推薦模型[J]. 李同歡,唐雁,劉冰.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[7]一種基于屬性加權(quán)補(bǔ)集的樸素貝葉斯文本分類算法[J]. 陳凱,黃英來,高文韜,趙鵬.  哈爾濱理工大學(xué)學(xué)報(bào). 2018(04)
[8]多特征關(guān)鍵詞提取算法研究[J]. 王潔,王麗清.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(07)
[9]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)
[10]基于項(xiàng)目屬性偏好挖掘的協(xié)同過濾推薦算法[J]. 陳穎,侯惠敏.  計(jì)算機(jī)應(yīng)用. 2017(S1)

博士論文
[1]基于用戶興趣挖掘的個(gè)性化推薦方法研究[D]. 徐揚(yáng).山東大學(xué) 2018

碩士論文
[1]面向多任務(wù)的句嵌入方法研究[D]. 焦點(diǎn).北京郵電大學(xué) 2019
[2]基于LSTM的風(fēng)電功率區(qū)間預(yù)測(cè)研究[D]. 王若恒.華中科技大學(xué) 2018
[3]細(xì)粒度文本主題檢測(cè)技術(shù)的研究與應(yīng)用[D]. 王圣.北京郵電大學(xué) 2018
[4]基于語義對(duì)等映射的事件短語學(xué)習(xí)[D]. 李方圓.蘇州大學(xué) 2017
[5]大數(shù)據(jù)背景下基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦系統(tǒng)的研究[D]. 劉勇.北京交通大學(xué) 2015
[6]基于Word2Vec主題提取的微博推薦[D]. 朱雪梅.北京理工大學(xué) 2014



本文編號(hào)：3342371