基于深度学习的混合推荐算法研究
发布时间：2021-01-03 04:28
随着互联网技术的飞速发展,每天产生的数据量在爆发式增长。在信息量严重过载,竞争极为激励的今天,传统的搜索引擎已经无法满足当前的需求。推荐系统在这样情景下应运而生,成为很多网站很重要的一部分,也成为新时代的一个新宠,其中使用范围最广泛的是协同过滤技术。协同过滤算法虽然应该最为广泛,但是也面临着严重的数据稀疏性、扩展性和冷启动等问题。为了解决这些问题,本文提出了基于回归的条件受限波尔兹曼机推荐模型（Regression-based on CRBM,简记为R-CRBM）,还有基于强化的受限波尔兹曼机模型（Strengthen-based on CRBM,简记为S-CRBM）和隐因子模型（LFM）的混合推荐模型（SCRBM-LFM）。首先,本文在RBM模型基础上引入条件层,分别使用用户信息和项目信息对模型进行训练,并使用线性归回算法对两个结果进行融合。其次,本文在基于条件的受限波尔兹曼机模型基础上引入强化层,强化层由基于用户特征的项目相似度计算方法计算而来,训练模型生成推荐候选集,最后使用隐因子模型对候选集进行排序,进行Top-N推荐。本文在公开数据集MovieLense上进行对比试验和结果分...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
推荐算法Fig.1-1Recommendationalgorithm
哈尔滨理工大学工学硕士学位论文可以知道物品 A 和物品 C 很相似，所以默认认为购买物品 A 买物品 C，所以既然用户丙喜欢用品 A，那么接下来就可以户丙。可见，User-Based CF 的计算复杂度比 Item-Based CF 很多，但是它可以帮助用户找到新类别的有一定惊喜度的项相似度在一定的时间内几乎不会发生变化，很难给用户带来个方面将 User-Based CF 和 Item-Based CF 进行了简单的对比总
哈尔滨理工大学工学硕士学位论文经单元的偏置向量用Tmb (b,b,...,b)12 来表示，隐藏层第 j 个神经元的状态用 0 ,1 jh 来表示，隐藏层第 j 个神经元的偏置值用jb 来表示，神经单元之间的连接权重矩阵用mnijWwR ( ) 来表示，可视层神经元i与隐藏层神经元 j 之间的连接权值用ijw 来表示。
【参考文献】：
期刊论文
[1]基于深度学习的开放领域对话系统研究综述[J]. 陈晨,朱晴晴,严睿,柳军飞. 计算机学报. 2019(07)
[2]因子分解机模型研究综述[J]. 赵衎衎,张良富,张静,李翠平,陈红. 软件学报. 2019(03)
[3]基于标签卷积神经网络的文本推荐算法[J]. 马骁烊,张谧. 计算机系统应用. 2018(08)
[4]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)
[5]融合主题模型和协同过滤的多样化移动应用推荐[J]. 黄璐,林川杰,何军,刘红岩,杜小勇. 软件学报. 2017(03)
[6]面向数据的软件体系结构初步探讨[J]. 苗放. 计算机科学与探索. 2016(10)
[7]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[8]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
硕士论文
[1]基于深度学习的协同过滤模型研究[D]. 余冲.深圳大学 2017
[2]基于机器学习的推荐技术研究[D]. 孟晓龙.吉林大学 2016
[3]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[4]基于排序学习的Top-N推荐算法研究[D]. 何平凡.北京理工大学 2016
[5]基于马尔可夫链蒙特卡罗方法的RBM学习算法改进[D]. 胡洋.上海交通大学 2012
本文编号：2954315
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
推荐算法Fig.1-1Recommendationalgorithm
哈尔滨理工大学工学硕士学位论文可以知道物品 A 和物品 C 很相似，所以默认认为购买物品 A 买物品 C，所以既然用户丙喜欢用品 A，那么接下来就可以户丙。可见，User-Based CF 的计算复杂度比 Item-Based CF 很多，但是它可以帮助用户找到新类别的有一定惊喜度的项相似度在一定的时间内几乎不会发生变化，很难给用户带来个方面将 User-Based CF 和 Item-Based CF 进行了简单的对比总
哈尔滨理工大学工学硕士学位论文经单元的偏置向量用Tmb (b,b,...,b)12 来表示，隐藏层第 j 个神经元的状态用 0 ,1 jh 来表示，隐藏层第 j 个神经元的偏置值用jb 来表示，神经单元之间的连接权重矩阵用mnijWwR ( ) 来表示，可视层神经元i与隐藏层神经元 j 之间的连接权值用ijw 来表示。
【参考文献】：
期刊论文
[1]基于深度学习的开放领域对话系统研究综述[J]. 陈晨,朱晴晴,严睿,柳军飞. 计算机学报. 2019(07)
[2]因子分解机模型研究综述[J]. 赵衎衎,张良富,张静,李翠平,陈红. 软件学报. 2019(03)
[3]基于标签卷积神经网络的文本推荐算法[J]. 马骁烊,张谧. 计算机系统应用. 2018(08)
[4]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)
[5]融合主题模型和协同过滤的多样化移动应用推荐[J]. 黄璐,林川杰,何军,刘红岩,杜小勇. 软件学报. 2017(03)
[6]面向数据的软件体系结构初步探讨[J]. 苗放. 计算机科学与探索. 2016(10)
[7]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[8]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
硕士论文
[1]基于深度学习的协同过滤模型研究[D]. 余冲.深圳大学 2017
[2]基于机器学习的推荐技术研究[D]. 孟晓龙.吉林大学 2016
[3]基于受限玻尔兹曼机的深度学习模型及其应用[D]. 张艳霞.电子科技大学 2016
[4]基于排序学习的Top-N推荐算法研究[D]. 何平凡.北京理工大学 2016
[5]基于马尔可夫链蒙特卡罗方法的RBM学习算法改进[D]. 胡洋.上海交通大学 2012
本文编号：2954315
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2954315.html
