網絡技術的發(fā)展推動了各行業(yè)信息化平臺的產生,同時大數(shù)據(jù)和云計算技術的普遍應用使得互聯(lián)網平臺用戶及項目數(shù)據(jù)量急劇增長。推薦系統(tǒng)作為緩解“信息過載”問題的重要工具,幫助用戶從海量信息中獲取感興趣的內容,成為互聯(lián)網應用不可或缺的重要角色。矩陣分解是基于協(xié)同過濾推薦的重要方法,其良好的可擴展性及高效性受到業(yè)界研究人員的青睞。近年來,深度學習在許多研究領域取得了巨大成功,它在特征表示方面的出色表現(xiàn)對信息檢索和推薦系統(tǒng)也產生了重要影響。然而,隨著網絡用戶和項目規(guī)模的增加,推薦系統(tǒng)中數(shù)據(jù)的稀疏性、復雜性以及不確定性等問題對推薦結果的準確性產生了嚴重影響。本文充分利用深度學習與矩陣分解技術的優(yōu)勢,針對推薦系統(tǒng)所面臨的問題,提出了三個解決方案。具體地,本文的主要研究內容和創(chuàng)新成果包括:1)針對數(shù)據(jù)稀疏性對推薦準確率的影響,本文將深度學習技術與矩陣分解的方法相結合,提出了深度變分矩陣分解推薦算法。該算法設計并訓練具有深層變分結構的特征提取網絡(semi-VAE)來分別捕獲用戶和項目隱藏的深層表示;進而,使用具有用戶和項目評分偏差的矩陣分解方法來預測評分;最后,提出了優(yōu)化矩陣分解和變分自編碼器聯(lián)合模型的方法...

【文章頁數(shù)】：129 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 基于內容的推薦算法
        1.2.2 協(xié)同過濾推薦算法
        1.2.3 混合推薦
    1.3 推薦算法面臨的挑戰(zhàn)
    1.4 研究內容及創(chuàng)新
    1.5 本文章節(jié)安排
第二章 相關推薦算法研究
    2.1 基于矩陣分解的推薦算法
    2.2 基于自編碼器的推薦算法
    2.3 基于因子分解機的推薦算法
    2.4 隱式推薦算法
    2.5 基于模糊理論的推薦算法
    2.6 基于因果關系的推薦算法
    2.7 本章小結
第三章 基于深度變分矩陣分解的推薦算法
    3.1 引言
    3.2 準備工作
        3.2.1 問題描述及表示
        3.2.2 變分自編碼器
    3.3 模型總體框架
    3.4 特征提取及評分預測
    3.5 算法優(yōu)化與參數(shù)估計
    3.6 實驗結果及分析
        3.6.1 數(shù)據(jù)集
        3.6.2 評估標準
        3.6.3 參數(shù)影響分析
        3.6.4 DVMF與 VAE性能對比
        3.6.5 對比實驗及結果分析
    3.7 本章小結
第四章 高階交叉因子分解機推薦算法
    4.1 引言
    4.2 準備工作
        4.2.1 問題描述及表示
        4.2.2 高階因子分解機
    4.3 模型整體框架
    4.4 低階特征交互
    4.5 基于交叉權重網絡的高階特征交互
    4.6 模型訓練
    4.7 模型分析
        4.7.1 空間復雜度分析
        4.7.2 時間復雜度分析
        4.7.3 其他因子分解機的比較
    4.8 實驗結果及分析
        4.8.1 數(shù)據(jù)集
        4.8.2 評估指標
        4.8.3 參數(shù)影響實驗
        4.8.4 模型組件影響
        4.8.5 對比實驗及分析
    4.9 本章小結
第五章 基于因果神經模糊推理的隱式推薦算法
    5.1 引言
    5.2 準備工作
        5.2.1 問題描述和定義
        5.2.2 模糊集
        5.2.3 自適應神經模糊推理
    5.3 模型整體框架
    5.4 曝光概率影響因素的模糊表示
    5.5 因果神經模糊推理
    5.6 模型參數(shù)估計
    5.7 實驗結果及分析
        5.7.1 數(shù)據(jù)集
        5.7.2 評價指標
        5.7.3 參數(shù)影響實驗
        5.7.4 對比實驗及結果分析
    5.8 本章小結
總結與展望
參考文獻
攻讀博士學位期間取得的研究成果
致謝
附件



本文編號：3745661