迁移学习在电子商务跨领域推荐中的研究
发布时间：2020-12-24 09:27
互联网及大数据技术的快速发展,在为人们学习、生活带来便利的同时,也使人们遭受“信息过载”的烦恼,人们无法快速从海量的网上数据中获取感兴趣的信息。在此背景下,个性化推荐技术应运而生,能够在一定程度上解决信息超载问题,然而,目前应用较为广泛的推荐技术都集中在某一领域,单一领域中往往会出现用户数据稀疏性和用户推荐冷启动问题,而研究与事实表明,用户在不同领域也会表现出相同的偏好,如喜爱推理类电影的用户也会倾向于购买推理类书籍。本文将包含丰富的用户及评分信息的领域称为源领域,数据稀疏的领域称为目标领域,如何利用源领域中信息为目标领域用户提供更加精准的推荐是本文主要研究的内容。本文从个性化推荐、跨领域推荐与迁移学习的研究现状出发,聚焦目前单一领域推荐中广泛存在的数据稀疏性与冷启动问题,提出了基于标签迁移学习的跨领域推荐算法以及基于用户兴趣度迁移学习的跨领域推荐算法。在基于标签迁移学习的跨领域推荐算法中,本文将两个领域中共享的标签信息作为连接领域的桥梁,采用非负矩阵分解以及基于粒子群改进的K-means算法对源领域用户评分矩阵进行处理,并通过迁移两个领域共享的标签信息,得出目标领域用户分类结果,最终...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 .研究背景
1.2 .研究现状
1.2.1 .个性化推荐研究现状
1.2.2 .跨领域推荐研究现状
1.2.3 .迁移学习研究现状
1.3 .研究内容
1.4 .研究思路
1.5 .论文组织架构
第二章 个性化推荐、跨领域推荐及迁移学习
2.1 .推荐系统及传统协同过滤推荐
2.1.1 .推荐系统简介
2.1.2 .基于协同过滤的推荐
2.1.3 .传统协同过滤推荐面临的问题
2.2 .跨领域推荐
2.2.1 .跨领域推荐任务及场景
2.2.2 .跨领域推荐技术分类
2.2.3 .跨领域推荐算法评价指标
2.3 .迁移学习
2.3.1 .迁移学习研究内容
2.3.2 .迁移学习分类
2.3.3 .迁移学习方法
2.3.4 .迁移学习面临的问题
2.4 .本章小结
第三章 基于标签迁移学习的跨领域推荐
3.1 .基于标签迁移学习的跨领域推荐模型
3.2 .模型算法
3.2.1 .非负矩阵分解算法
3.2.2 .基于PSO改进的K-means聚类算法
3.2.3 .SVM分类算法
3.3 .实验数据分析
3.3.1 .实验数据及数据预处理
3.3.2 .源领域用户评分矩阵聚类分析
3.3.3 .目标领域基于用户标签信息的分类
3.3.4 .预测目标领域用户评分
3.4 .本章小结
第四章 基于用户兴趣度迁移学习的跨领域推荐
4.1 .基于用户兴趣度迁移学习的跨领域推荐模型
4.2 .模型算法
4.2.1 .奇异值分解算法
4.2.2 .Pearson相似度算法
4.3 .实验数据分析
4.3.1 .实验数据及预处理
4.3.2 .源领域用户兴趣度模型构建
4.3.3 .目标领域用户兴趣度模型构建
4.3.4 .迁移源领域兴趣度模型至目标领域
4.4 .本章小结
总结与展望
总结
展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]基于高斯模型和概率矩阵分解的混合推荐算法[J]. 何慧. 统计与决策. 2018(03)
[3]基于GLSLIM模型的混合推荐算法研究[J]. 杨海龙,李松林,李卫军. 信息与电脑(理论版). 2017(20)
[4]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平. 清华大学学报(自然科学版). 2017(10)
[5]基于粒子群的K-均值算法在电网企业对标中应用[J]. 罗林波,罗岚波,伍娟. 电子世界. 2017(19)
[6]基于K-PSO聚类算法和熵值法的滑坡敏感性[J]. 阮云凯,占洁伟,陈剑平,李严严. 东北大学学报(自然科学版). 2017(04)
[7]基于深度信念网络的个性化信息推荐[J]. 王兆凯,李亚星,冯旭鹏,刘利军,黄青松,刘晓梅. 计算机工程. 2016(10)
[8]数字文献资源内容服务推荐研究——基于本体规则推理和语义相似度计算[J]. 刘健,毕强,刘庆旭,王福. 现代图书情报技术. 2016(09)
[9]基于关联规则综合评价的图书推荐模型[J]. 路永和,曹利朝. 现代图书情报技术. 2011(02)
[10]局部敏感非负矩阵分解[J]. 姜伟,杨炳儒,隋海峰. 计算机科学. 2010(12)
博士论文
[1]基于样本和特征的迁移学习方法及应用[D]. 杨士准.国防科学技术大学 2013
硕士论文
[1]基于知识迁移的跨领域推荐算法研究[D]. 李林峰.北京交通大学 2017
[2]基于协同过滤算法的个性化推荐研究[D]. 姚婷.北京理工大学 2015
本文编号：2935406
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 .研究背景
1.2 .研究现状
1.2.1 .个性化推荐研究现状
1.2.2 .跨领域推荐研究现状
1.2.3 .迁移学习研究现状
1.3 .研究内容
1.4 .研究思路
1.5 .论文组织架构
第二章 个性化推荐、跨领域推荐及迁移学习
2.1 .推荐系统及传统协同过滤推荐
2.1.1 .推荐系统简介
2.1.2 .基于协同过滤的推荐
2.1.3 .传统协同过滤推荐面临的问题
2.2 .跨领域推荐
2.2.1 .跨领域推荐任务及场景
2.2.2 .跨领域推荐技术分类
2.2.3 .跨领域推荐算法评价指标
2.3 .迁移学习
2.3.1 .迁移学习研究内容
2.3.2 .迁移学习分类
2.3.3 .迁移学习方法
2.3.4 .迁移学习面临的问题
2.4 .本章小结
第三章 基于标签迁移学习的跨领域推荐
3.1 .基于标签迁移学习的跨领域推荐模型
3.2 .模型算法
3.2.1 .非负矩阵分解算法
3.2.2 .基于PSO改进的K-means聚类算法
3.2.3 .SVM分类算法
3.3 .实验数据分析
3.3.1 .实验数据及数据预处理
3.3.2 .源领域用户评分矩阵聚类分析
3.3.3 .目标领域基于用户标签信息的分类
3.3.4 .预测目标领域用户评分
3.4 .本章小结
第四章 基于用户兴趣度迁移学习的跨领域推荐
4.1 .基于用户兴趣度迁移学习的跨领域推荐模型
4.2 .模型算法
4.2.1 .奇异值分解算法
4.2.2 .Pearson相似度算法
4.3 .实验数据分析
4.3.1 .实验数据及预处理
4.3.2 .源领域用户兴趣度模型构建
4.3.3 .目标领域用户兴趣度模型构建
4.3.4 .迁移源领域兴趣度模型至目标领域
4.4 .本章小结
总结与展望
总结
展望
参考文献
攻读硕士学位期间取得的研究成果
致谢
附件
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]基于高斯模型和概率矩阵分解的混合推荐算法[J]. 何慧. 统计与决策. 2018(03)
[3]基于GLSLIM模型的混合推荐算法研究[J]. 杨海龙,李松林,李卫军. 信息与电脑(理论版). 2017(20)
[4]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平. 清华大学学报(自然科学版). 2017(10)
[5]基于粒子群的K-均值算法在电网企业对标中应用[J]. 罗林波,罗岚波,伍娟. 电子世界. 2017(19)
[6]基于K-PSO聚类算法和熵值法的滑坡敏感性[J]. 阮云凯,占洁伟,陈剑平,李严严. 东北大学学报(自然科学版). 2017(04)
[7]基于深度信念网络的个性化信息推荐[J]. 王兆凯,李亚星,冯旭鹏,刘利军,黄青松,刘晓梅. 计算机工程. 2016(10)
[8]数字文献资源内容服务推荐研究——基于本体规则推理和语义相似度计算[J]. 刘健,毕强,刘庆旭,王福. 现代图书情报技术. 2016(09)
[9]基于关联规则综合评价的图书推荐模型[J]. 路永和,曹利朝. 现代图书情报技术. 2011(02)
[10]局部敏感非负矩阵分解[J]. 姜伟,杨炳儒,隋海峰. 计算机科学. 2010(12)
博士论文
[1]基于样本和特征的迁移学习方法及应用[D]. 杨士准.国防科学技术大学 2013
硕士论文
[1]基于知识迁移的跨领域推荐算法研究[D]. 李林峰.北京交通大学 2017
[2]基于协同过滤算法的个性化推荐研究[D]. 姚婷.北京理工大学 2015
本文编号：2935406
本文链接：https://www.wllwen.com/jingjilunwen/guojimaoyilunwen/2935406.html
