發(fā)布時間：2021-04-26 11:02

　　隨著互聯(lián)網(wǎng)和信息技術(shù)的飛速發(fā)展,網(wǎng)絡(luò)上已有的電影,視頻等資源仍然以指數(shù)的速度增長,人們進入了“信息過載”的時代。在這個時代,如何讓用戶從海量的資源中找到自己感興趣的物品,同時也讓生產(chǎn)者生產(chǎn)的物品脫穎而出,受到廣大用戶的喜愛。為此,推薦算法的研究應(yīng)運而生。在目前常用的推薦算法中,協(xié)同過濾算法作為最經(jīng)典的個性化推薦算法,一直受到廣大研究學者的關(guān)注,而深度學習算法作為近幾年最熱門的研究方向,更被各領(lǐng)域廣泛研究。但是這兩種算法幾乎都沒有考慮到時間上下文信息是如何影響推薦的,沒有把用戶行為發(fā)生的時間信息作為推薦的參考因素。然而在實際生活中,用戶的喜好很可能會隨著時間的推移發(fā)生改變,因此研究用戶行為發(fā)生的時間上下文信息,對提高推薦算法的性能具有重要的影響。本文在經(jīng)典協(xié)同過濾算法的基礎(chǔ)上,首先,將數(shù)據(jù)集中的用戶行為時間戳轉(zhuǎn)換成具體的時間信息,將該時間上下文信息作為重要特征納入推薦考慮中。接著考慮到協(xié)同過濾算法存在稀疏性問題,故而采用矩陣分解模型方法來降低矩陣的維度,將離散型的時間參數(shù)引入矩陣分解模型中,針對用戶所處的時間上下文環(huán)境為用戶進行推薦,以提高準確率,采用Spark集群實現(xiàn)協(xié)同過濾算法的并行... 

【文章來源】：遼寧科技大學遼寧省

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
1.緒論
    1.1 研究背景及意義
    1.2 推薦算法研究現(xiàn)狀
        1.2.1 幾種推薦算法概述
        1.2.2 協(xié)同過濾推薦算法研究現(xiàn)狀
        1.2.3 神經(jīng)網(wǎng)絡(luò)推薦算法研究現(xiàn)狀
        1.2.4 上下文感知推薦算法研究現(xiàn)狀
    1.3 論文主要完成工作
    1.4 論文架構(gòu)
2.相關(guān)推薦算法概述
    2.1 協(xié)同過濾推薦算法
        2.1.1 傳統(tǒng)協(xié)同過濾算法基本概述
        2.1.2 算法基本思想
        2.1.3 協(xié)同過濾推薦算法分類
    2.2 基于神經(jīng)網(wǎng)絡(luò)模型的推薦算法
        2.2.1 神經(jīng)網(wǎng)絡(luò)模型基本概述
        2.2.2 基于神經(jīng)網(wǎng)絡(luò)模型的推薦算法思想
        2.2.3 基于神經(jīng)網(wǎng)絡(luò)模型的推薦算法分類
    2.3 本章小結(jié)
3.時間感知的并行協(xié)同過濾推薦算法
    3.1 引言
    3.2 基于時間感知和ALS方法的協(xié)同過濾推薦算法
        3.2.1 矩陣分解基本模型
        3.2.2 ALS方法優(yōu)化矩陣分解模型的損失函數(shù)
        3.2.3 時間感知矩陣分解模型
        3.2.4 時間感知評分預(yù)測和推薦
    3.3 基于Spark的時間感知的并行化算法流程設(shè)計
        3.3.1 Spark簡介
        3.3.2 Windows系統(tǒng)下Spark平臺搭建
        3.3.3 算法設(shè)計與實現(xiàn)流程
        3.3.4 時間感知的并行協(xié)同過濾算法的參數(shù)選取
    3.4 實驗
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 實驗環(huán)境
        3.4.3 實驗評估指標
        3.4.4 實驗結(jié)果及分析
        3.4.5 時間感知的協(xié)同過濾推薦算法的性能分析
    3.5 本章小結(jié)
4.時間感知的卷積神經(jīng)網(wǎng)絡(luò)推薦算法
    4.1 引言
    4.2 基于時間感知的卷積神經(jīng)網(wǎng)絡(luò)推薦算法
        4.2.1 數(shù)據(jù)預(yù)處理
        4.2.2 時間感知的卷積神經(jīng)網(wǎng)絡(luò)的推薦過程
        4.2.3 時間感知的評分預(yù)測和推薦
    4.3 基于Tensorflow的時間感知的卷積神經(jīng)網(wǎng)絡(luò)推薦算法流程設(shè)計
        4.3.1 Tensorflow框架簡介
        4.3.2 Windows系統(tǒng)下搭建Tensorflow框架
        4.3.3 算法設(shè)計與實現(xiàn)流程
        4.3.4 時間感知的卷積神經(jīng)網(wǎng)絡(luò)算法的參數(shù)選取
    4.4 實驗
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗環(huán)境
        4.4.3 實驗評價指標
        4.4.4 實驗結(jié)果及分析
        4.4.5 時間感知的卷積神經(jīng)網(wǎng)絡(luò)推薦算法的性能分析
    4.5 本章小結(jié)
5.總結(jié)與展望
    5.1 文章總結(jié)
    5.2 研究展望
參考文獻
攻讀碩士學位期間發(fā)表學術(shù)論文情況
致謝
作者簡介


【參考文獻】：
期刊論文
[1]基于GPU加速和非負矩陣分解的并行協(xié)同過濾推薦算法[J]. 康林瑤,唐兵,夏艷敏,張黎.  計算機科學. 2019(08)
[2]基于會話信息的多粒度循環(huán)神經(jīng)網(wǎng)絡(luò)推薦模型[J]. 岳新玉,劉悅,余志華.  山西大學學報(自然科學版). 2019(02)
[3]基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)研究[J]. 字云飛,李業(yè)麗,孫華艷.  電子技術(shù)應(yīng)用. 2019(01)
[4]結(jié)合用戶行為和物品標簽的協(xié)同過濾推薦算法[J]. 李龍生,艾均,蘇湛,李妍妍.  計算機應(yīng)用與軟件. 2018(06)
[5]基于Hadoop的大數(shù)據(jù)平臺架設(shè)探討[J]. 秦杰儀,曾志,孫蕾,鄧昭宇.  現(xiàn)代工業(yè)經(jīng)濟和信息化. 2018(05)
[6]一種基于矩陣分解的上下文感知POI推薦算法[J]. 彭宏偉,靳遠遠,呂曉強,王曉玲.  計算機學報. 2019(08)
[7]K-近鄰矩陣分解推薦系統(tǒng)算法[J]. 郝雅嫻,孫艷蕊.  小型微型計算機系統(tǒng). 2018(04)
[8]基于改進聚類和矩陣分解的協(xié)同過濾推薦算法[J]. 王永貴,宋真真,肖成龍.  計算機應(yīng)用. 2018(04)
[9]Hadoop的兩大核心技術(shù)HDFS和MapReduce[J]. 李港,劉玉程.  電子技術(shù)與軟件工程. 2018(07)
[10]基于學習排序的并行協(xié)同過濾推薦算法[J]. 肖菁,袁凌,黃昌勤,吳不曉.  華中科技大學學報(自然科學版). 2018(03)

博士論文
[1]時間感知的推薦算法研究[D]. 李文俊.電子科技大學 2017

碩士論文
[1]基于張量分解并融合上下文的推薦算法研究與實現(xiàn)[D]. 文豪.北京郵電大學 2018
[2]基于時間權(quán)重的混合推薦算法研究[D]. 辛帥.遼寧科技大學 2018
[3]神經(jīng)網(wǎng)絡(luò)算法在矩陣積和式估值問題上的應(yīng)用[D]. 張碩平.清華大學 2017
[4]基于大數(shù)據(jù)平臺的搜索日志分析技術(shù)研究[D]. 周三多.重慶郵電大學 2017
[5]基于BP神經(jīng)網(wǎng)絡(luò)的中小企業(yè)財務(wù)預(yù)警研究[D]. 李爽.山東大學 2010



本文編號：3161300