互聯(lián)網(wǎng)的飛速發(fā)展,不僅加快了人們生活的步伐,提高了生活質(zhì)量,同時(shí)也為互聯(lián)網(wǎng)自身帶來了巨大的數(shù)據(jù)信息。從舊時(shí)代堆積如山的書本到現(xiàn)在密密麻麻的文件列表,存儲(chǔ)方便的同時(shí)也導(dǎo)致了數(shù)據(jù)處理的困難。而推薦系統(tǒng)自誕生以來,給人類帶來了巨大的利益與便捷。推薦系統(tǒng)雖已成熟但非完美。本文從用戶和項(xiàng)目兩個(gè)角度出發(fā),多角度去研究用戶及項(xiàng)目之間的相似度,并融入現(xiàn)今流行的文本處理和深度學(xué)習(xí)模型,研究如何改進(jìn)和挖掘用戶或項(xiàng)目的更深層信息,從而提高系統(tǒng)的性能。本文主要研究內(nèi)容如下:1.相似性分析。本文一方面從優(yōu)化相似度度量公式出發(fā),在現(xiàn)有的基本相似度公式基礎(chǔ)上進(jìn)行改進(jìn),通過減小用戶之間存在的用戶評(píng)價(jià)值差異去減小個(gè)性用戶的偏好和行為差異所帶來的影響,進(jìn)而優(yōu)化用戶相似度,獲得更準(zhǔn)確的目標(biāo)用戶群體。另一方面考慮了系統(tǒng)的冷啟動(dòng)問題,將用戶的屬性信息融入到改進(jìn)的相似度計(jì)算公式中,改善了系統(tǒng)對(duì)新用戶或無歷史行為數(shù)據(jù)的用戶的推薦不友好問題。最后通過公開數(shù)據(jù)實(shí)驗(yàn),驗(yàn)證了改進(jìn)后的算法的優(yōu)越性,提高了系統(tǒng)的推薦水平。2.文本處理。傳統(tǒng)推薦算法分析的目標(biāo)數(shù)據(jù)過于簡單,使得其從中獲取到的有效信息較少,而影響了系統(tǒng)的推薦能力。文本處理方法很好... 

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于協(xié)同過濾的推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 基于文本處理的推薦系統(tǒng)研究現(xiàn)狀
        1.2.3 基于深度學(xué)習(xí)的推薦系統(tǒng)研究現(xiàn)狀
        1.2.4 發(fā)展趨勢
    1.3 本文主要研究內(nèi)容及創(chuàng)新點(diǎn)
    1.4 本文組織結(jié)構(gòu)
第二章 相關(guān)理論與技術(shù)
    2.1 相關(guān)概念
        2.1.1 推薦系統(tǒng)
        2.1.2 深度學(xué)習(xí)
    2.2 推薦系統(tǒng)分類
    2.3 推薦系統(tǒng)相關(guān)理論與技術(shù)
        2.3.1 相似度計(jì)算理論
        2.3.2 評(píng)分預(yù)測
        2.3.3 評(píng)測標(biāo)準(zhǔn)
    2.4 本章小結(jié)
第三章 基于改進(jìn)用戶屬性的協(xié)同過濾算法
    3.1 相關(guān)工作
    3.2 改進(jìn)算法描述
        3.2.1 基于評(píng)分偏好的用戶相似性
        3.2.2 基于改進(jìn)用戶屬性評(píng)分的協(xié)同過濾算法
    3.3 實(shí)驗(yàn)設(shè)計(jì)及結(jié)果分析
    3.4 本章小結(jié)
第四章 結(jié)合深度學(xué)習(xí)及詞向量的多維推薦模型
    4.1 深度學(xué)習(xí)模型構(gòu)建
    4.2 項(xiàng)目屬性相似度提取
    4.3 整體模型設(shè)計(jì)
    4.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.4.1 實(shí)驗(yàn)設(shè)計(jì)
        4.4.2 結(jié)果分析
    4.5 本章小結(jié)
第五章 結(jié)論
    5.1 本文總結(jié)
    5.2 未來展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于物品融合自編碼器的協(xié)同過濾推薦算法[J]. 王東,薛峰,劉凱,陳思洋,張浩博.  計(jì)算機(jī)應(yīng)用. 2019(S1)
[2]基于自適應(yīng)樣本權(quán)重的矩陣分解推薦算法[J]. 石曉玲,陳芷,楊立功,沈偉.  計(jì)算機(jī)科學(xué). 2019(S1)
[3]基于SVD填充的混合推薦算法[J]. 劉晴晴,羅永龍,汪逸飛,鄭孝遙,陳文.  計(jì)算機(jī)科學(xué). 2019(S1)
[4]融合信任和基于概率矩陣分解的推薦算法[J]. 田保軍,楊滸昀,房建東.  計(jì)算機(jī)應(yīng)用. 2019(10)
[5]基于棧式降噪自動(dòng)編碼器的動(dòng)態(tài)混合推薦算法[J]. 李夢夢,夏陽,李心茹,徐婷,魏思政.  計(jì)算機(jī)工程. 2019(08)
[6]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦算法[J]. 高茂庭,徐彬源.  計(jì)算機(jī)工程. 2019(08)
[7]基于標(biāo)簽分類的協(xié)同過濾推薦算法[J]. 朱崢宇,曹曉梅.  計(jì)算機(jī)應(yīng)用研究. 2019(08)
[8]融合社交行為和標(biāo)簽行為的推薦算法研究[J]. 蔣云,倪靜,房宏揚(yáng).  計(jì)算機(jī)應(yīng)用研究. 2019(07)
[9]一種結(jié)合主題模型的推薦算法[J]. 曹占偉,胡曉鵬.  計(jì)算機(jī)應(yīng)用研究. 2019(06)
[10]基于堆棧降噪自編碼器改進(jìn)的混合推薦算法[J]. 楊帥,王鵑.  計(jì)算機(jī)應(yīng)用. 2018(07)



本文編號(hào)：3670780