本文關(guān)鍵詞：推薦系統(tǒng)中的協(xié)同過濾算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：推薦系統(tǒng)在互聯(lián)網(wǎng)服務(wù)中擁有非常重大的作用。對(duì)于在線購物網(wǎng)站，智能推薦可以促使用戶購買更多的商品；對(duì)于在線視頻、音樂以及新聞網(wǎng)站，推薦系統(tǒng)可以幫助用戶更容易的發(fā)現(xiàn)感興趣的視頻、音樂和新聞；對(duì)于在線廣告系統(tǒng)，推薦系統(tǒng)可以提升廣告的點(diǎn)擊率…… 目前對(duì)推薦系統(tǒng)的研究集中在推薦算法上，推薦算法可以分為三類： 1)協(xié)同過濾。該方法基于用戶對(duì)物品的瀏覽、購買、打分等歷史記錄產(chǎn)生推薦。 2)基于內(nèi)容的過濾。該方法基于物品的內(nèi)容信息，而不是用戶與物品之間的交互記錄產(chǎn)生推薦。 3)混合方法。將以上兩種方法相結(jié)合。 協(xié)同過濾方法是這些推薦算法中最為流行的，它又可以分為兩類：基于內(nèi)存的和基于模型的。基于內(nèi)存的方法利用評(píng)分?jǐn)?shù)據(jù)計(jì)算用戶之間或者是物品之間的相似度，然后利用這些相似度進(jìn)行推薦。常見的基于內(nèi)存的方法有：基于用戶的k-最近鄰、基于物品的k-最近鄰、Slope One�；谀Ｐ偷姆椒ɡ脭�(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)在數(shù)據(jù)集上訓(xùn)練出模型，然后用模型進(jìn)行實(shí)際預(yù)測(cè)。常見的協(xié)同過濾模型有：聚類模型、矩陣分解模型、受限玻爾茲曼機(jī)等。 本文提出了幾種新的基于模型的協(xié)同過濾方法，它們是： 1)基于神經(jīng)網(wǎng)絡(luò)基本模型的協(xié)同過濾。我們嘗試用三層的神經(jīng)網(wǎng)絡(luò)基本模型來預(yù) 測(cè)用戶對(duì)物品的打分，進(jìn)而產(chǎn)生推薦。 2)基于張量神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾。將1）中的神經(jīng)網(wǎng)絡(luò)基本模型替換為更復(fù)雜的二階張量神經(jīng)網(wǎng)絡(luò)。 3)基于神經(jīng)網(wǎng)絡(luò)基本模型的k-最近鄰協(xié)同過濾。將神經(jīng)網(wǎng)絡(luò)基本模型與k-最近鄰相結(jié)合。 在以上方法中，用戶或電影用特征向量表示，作為神經(jīng)網(wǎng)絡(luò)的輸入，，這些向量以及模型的參數(shù)通過訓(xùn)練獲得。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用批量梯度下降法和誤差反向傳播算法。在訓(xùn)練過程中本文采用了自適應(yīng)學(xué)習(xí)率、動(dòng)量、多線程、矢量化編程等優(yōu)化方法。 我們?cè)趍ovielens-1m數(shù)據(jù)集上對(duì)本文提出的這幾種方法進(jìn)行了實(shí)驗(yàn)。為了與現(xiàn)有的方法進(jìn)行對(duì)比，設(shè)計(jì)了對(duì)比實(shí)驗(yàn)。對(duì)比實(shí)驗(yàn)基于開源工具M(jìn)ahout，實(shí)現(xiàn)了基于用戶的k-最近鄰、基于物品的k-最近鄰、Slope One、改進(jìn)的基于物品的k-最近鄰、ALS-WR、SVD++這幾種現(xiàn)有的協(xié)同過濾方法。實(shí)驗(yàn)結(jié)果表明，本文提出的方法獲得了比現(xiàn)有方法更低的RMSE值。
【關(guān)鍵詞】：推薦系統(tǒng) 協(xié)同過濾 k-最近鄰 矩陣分解 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-13
• 1.1 研究背景及意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文的主要工作和組織結(jié)構(gòu)12-13
• 1.3.1 本文的主要工作12
• 1.3.2 本文的組織結(jié)構(gòu)12-13
• 第2章 現(xiàn)有的協(xié)同過濾算法13-27
• 2.1 基于內(nèi)存的協(xié)同過濾算法13-22
• 2.1.1 基于用戶的 k-最近鄰協(xié)同過濾算法13-16
• 2.1.2 基于物品的 k-最近鄰協(xié)同過濾算法16-19
• 2.1.3 Slope One 算法19
• 2.1.4 改進(jìn)的基于物品的 k-最近鄰協(xié)同過濾算法19-22
• 2.2 基于模型的協(xié)同過濾算法22-27
• 2.2.1 基于矩陣分解的協(xié)同過濾算法22-24
• 2.2.2 基于 RBM 的協(xié)同過濾算法24-27
• 第3章 本文提出的協(xié)同過濾算法27-45
• 3.1 基于神經(jīng)網(wǎng)絡(luò)基本模型的協(xié)同過濾算法27-36
• 3.1.1 神經(jīng)網(wǎng)絡(luò)的介紹27-30
• 3.1.2 用于電影評(píng)分預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)基本模型30-33
• 3.1.3 模型的訓(xùn)練及特征向量的學(xué)習(xí)33-36
• 3.2 基于張量神經(jīng)網(wǎng)絡(luò)的協(xié)同過濾算法36-42
• 3.2.1 張量的介紹36-37
• 3.2.2 用于電影評(píng)分預(yù)測(cè)的張量神經(jīng)網(wǎng)絡(luò)模型37-40
• 3.2.3 模型的訓(xùn)練及特征向量的學(xué)習(xí)40-42
• 3.3 基于神經(jīng)網(wǎng)絡(luò)基本模型的 K-最近鄰協(xié)同過濾算法42-45
• 第4章 實(shí)驗(yàn)設(shè)計(jì)與實(shí)驗(yàn)結(jié)果45-50
• 4.1 實(shí)驗(yàn)設(shè)計(jì)45-47
• 4.1.1 對(duì)比實(shí)驗(yàn)設(shè)計(jì)45-46
• 4.1.2 本文所提算法的實(shí)驗(yàn)設(shè)計(jì)46-47
• 4.2 結(jié)果與分析47-50
• 第5章 總結(jié)與展望50-52
• 5.1 本文總結(jié)50
• 5.2 未來展望50-52
• 參考文獻(xiàn)52-56
• 作者簡(jiǎn)介56-57
• 致謝57

【引證文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 龔燦;盧軍;;基于Spark的實(shí)時(shí)情境推薦系統(tǒng)關(guān)鍵技術(shù)研究[J];電子測(cè)試;2016年Z1期

  本文關(guān)鍵詞：推薦系統(tǒng)中的協(xié)同過濾算法研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：267613