在網絡技術和電子商務快速發(fā)展的今天,互聯(lián)網上出現(xiàn)了越來越多的在線服務,這些在線服務給人們帶來便利的同時,也導致網上信息量的急劇增加,用戶不得不花費更多的時間,在大量的信息中選擇他們感興趣的內容,這就是信息過載問題。推薦系統(tǒng)作為處理信息過載問題的主要手段,是一種采用機器學習技術,對用戶偏好分析的基礎上,在合理的時間內向用戶推薦合適內容的智能決策系統(tǒng)。當前,盡管在各種不同的社會領域,個性化推薦技術已得到普遍使用,但已有推薦系統(tǒng)仍然存在數(shù)據(jù)稀疏性、冷啟動、長尾物品難以被推薦、不能有效處理圖結構數(shù)據(jù)等問題,導致推薦的性能不高,用戶的體驗較差,制約了個性化推薦系統(tǒng)的發(fā)展。作為一種非線性的深度神經網絡技術,深度學習與傳統(tǒng)淺層學習完全不同,它能自動進行特征學習,可以挖掘推薦系統(tǒng)中用戶及物品間隱含的、潛在的許多特征。基于深度學習的個性化推薦研究與應用,已受到產業(yè)界及學術界的日益重視。如何利用深度學習相關原理及技術,去緩解、克服已有個性化物品推薦系統(tǒng)中存在的問題,以提高推薦系統(tǒng)的性能,是一個非常值得研究的課題。論文研究運用深度學習相關原理與技術,針對已有個性化物品推薦系統(tǒng)中存在的數(shù)據(jù)稀疏性、冷啟動、長尾... 

【文章來源】：東華大學上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：167 頁

【學位級別】：博士

【部分圖文】：

已有推薦系統(tǒng)在不同領域的應用Figure1-1Applicationofexistingrecommendationsystemindifferentfields[3]

第1章緒論3學習方法需要靠人工進行特征提取的方式，同時，深度學習的這種特征提取方式能夠融入到建立的模型過程中，由此在降低了特征提取難度的同時，還減少了因為靠人為設計特征時，特征獲取的不完備性[12]。如Netflix網站上80%電影的在線觀看來自于推薦[13]，YouTube網站上60%的視頻點擊來自于網站主頁的推薦[14]，許多企業(yè)都運用深度學習原理與技術以提高推薦質量[15]。與以往推薦技術不同的是，已有使用深度神經網絡結構的推薦技術都取得了非常不錯的推薦性能，其應用范圍也是越來越廣泛。ZeynepBatmaz,AliYurekli等人[16]給出了當前深度學習推薦系統(tǒng)的應用領域主要分布情況，如在線電影、圖書、新聞、音樂等各種電子商務領域和社交網絡行業(yè)。從學術研究領域的角度，國際上近幾年來基于深度學習推薦研究的有關文獻數(shù)量顯著增加，通過WebofScience1搜索“主題:(recommendationsystem)AND主題:(deeplearning)”所創(chuàng)建的引文報告圖(圖1-2、圖1-3)中，也可以看到，無論是按年份的被引頻次還是出版物總數(shù)方面，也能反映出基于深度學習的的個性化推薦研究，已經成為國內外學術界當前研究的新方向。圖1-2WebofScience深度學習推薦系統(tǒng)相關論文年份被引頻次Figure1-2CitationfrequencyofpapersrelatedtoWebofSciencedeeplearningrecommendationsysteminyear1http://apps.webofknowledge.com

東華大學博士學位論文4圖1-3WebofScience深度學習推薦系統(tǒng)相關出版物總數(shù)Figure1-3TotalnumberofpublicationsrelatedtoWebofSciencedeeplearningrecommendationsystem從國內相關研究來看，近幾年來，基于深度學習的個性化推薦的也是一些學者關注的重點。在CNKI2中，利用“推薦系統(tǒng)+深度學習”關鍵詞進行學術趨勢分析，從圖1-4中可以看到，其學術關注度近五年來一直都呈現(xiàn)顯著增加的趨勢。圖1-4CNKI學術趨勢中深度學習推薦系統(tǒng)學術關注度Figure1-4AcademicattentiontothedeeplearningrecommendationsysteminCNKIacademictrends2https://www.cnki.net/

【參考文獻】：
期刊論文
[1]一種基于Attention-GRU和iForest的周期性時間序列異常檢測算法[J]. 王騰,焦學偉,高陽.  計算機工程與科學. 2019(12)
[2]基于卷積遞歸模型的文本分類研究[J]. 殷曉雨,阿力木江·艾沙,庫爾班·吾布力.  電子技術應用. 2019(10)
[3]基于pytorch二次關系擬合（回歸）及其實現(xiàn)[J]. 邢立國,李文堅,劉玉坤.  電腦知識與技術. 2019(26)
[4]融合動態(tài)協(xié)同過濾和深度學習的推薦算法[J]. 鄧存彬,虞慧群,范貴生.  計算機科學. 2019(08)
[5]基于改進的矩陣分解模型在推薦系統(tǒng)中的應用[J]. 宋瑞雪,李國勇.  計算機應用. 2019(S1)
[6]基于改進CNN的局部相似性預測推薦模型[J]. 吳國棟,宋福根,涂立靜,史明哲.  計算機工程與科學. 2019(06)
[7]文本分類TF-IDF算法的改進研究[J]. 葉雪梅,毛雪岷,夏錦春,王波.  計算機工程與應用. 2019(02)
[8]卷積神經網絡模型分析[J]. 李書清.  無線互聯(lián)科技. 2018(19)
[9]自編碼神經網絡理論及應用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計算機學報. 2019(01)
[10]結合共同鄰居貢獻度的節(jié)點相似性鏈路預測算法[J]. 王鑫,陳喜,錢付蘭,張燕平.  數(shù)據(jù)采集與處理. 2018(05)

博士論文
[1]基于協(xié)同過濾視角的受限玻爾茲曼機研究[D]. 羅恒.上海交通大學 2011

碩士論文
[1]基于實值RBM的長尾物品推薦研究[D]. 史明哲.安徽農業(yè)大學 2018
[2]移動增強現(xiàn)實技術研究[D]. 馮鑫淼.西南科技大學 2016
[3]基于卷積神經網絡的推薦算法[D]. 吳浠.華南理工大學 2016
[4]基于改進GN算法的茶葉消費者網絡社區(qū)發(fā)現(xiàn)研究[D]. 湯鵬.安徽農業(yè)大學 2014
[5]面向個性化服務的用戶興趣模型表示及更新研究[D]. 郝水龍.合肥工業(yè)大學 2012



本文編號：2950296