基于用户评价的强化学习推荐算法研究
发布时间：2021-03-08 00:45
随着互联网技术的高速发展,世界已经成为了一个信息的海洋。人们在享受海量信息带来的便利服务的同时也面临着越来越多的选择。如何挖掘用户的兴趣特点,为用户进行精准的个性化推荐是本文研究的重点。目前主流的个性化推荐算法中协同过滤推荐算法是效果较好也是应用最广的算法。该算法通过计算目标用户或物品间的相似度并根据与目标用户兴趣相似的用户对物品的评价来预测目标用户对物品的喜好。一方面协同过滤算法存在冷启动和矩阵稀疏性等问题;另一方面当前推荐算法往往只考虑了用户对物品的评分却忽视了用户对物品的个性化评价,难以充分挖掘用户的兴趣特征。针对推荐算法存在的上述问题,本文提出利用强化学习的思想和加入用户评价因素来实现基于用户评价的强化学习推荐算法,主要工作内容如下:提出了一种基于强化学习的协同过滤推荐算法。针对协同过滤推荐算法存在的冷启动和矩阵稀疏性问题,引入强化学习中的值函数估计思想,使用用户状态值函数间的差异替代以往的相似度计算方式,缓解矩阵稀疏性问题。通过学习率控制用户状态值函数中权值向量的收敛速度以缓解冷启动问题。该算法通过学习用户的状态值函数来评估用户当前的状态,并通过梯度下降法对用户状态值函数中的...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.4 论文研究内容与章节结构
1.4.1 研究内容
1.4.2 章节结构
第二章 个性化推荐算法与强化学习方法研究
2.1 个性化推荐算法介绍
2.1.1 基于内容的推荐
2.1.2 协同过滤推荐算法
2.1.3 其它推荐算法
2.2 强化学习方法研究
2.2.1 强化学习框架
2.2.2 强化学习经典方法
2.3 本章小结
第三章 基于值函数估计的协同过滤推荐算法
3.1 协同过滤推荐算法问题分析
3.2 基于强化学习计算值函数模型
3.2.1 强化学习值函数估计方法
3.2.2 推荐场景下值函数估计
3.3 基于值函数估计的推荐算法模型
3.4 推荐算法仿真实验
3.4.1 实验数据与预处理
3.4.2 评价标准
3.4.3 实验设置
3.5 实验结果对比与分析
3.5.1 参数设置实验结果分析
3.5.2 基于值函数估计的协同过滤推荐算法结果分析
3.6 本章小结
第四章 基于用户评价的强化学习推荐算法
4.1 用户评价度量方法
4.1.1 基于用户评价方案分析
4.1.2 用户评价在强化学习方法中的应用
4.2 基于用户评价的强化学习推荐算法模型
4.3 推荐算法仿真实验
4.3.1 实验数据与预处理
4.3.2 实验设置
4.4 实验结果对比与分析
4.4.1 参数设置及实验结果分析
4.4.2 推荐算法及实验结果分析
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 未来工作展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]决策树典型算法研究综述[J]. 邵旻晖. 电脑知识与技术. 2018(08)
[2]基于多层次混合相似度的协同过滤推荐算法[J]. 袁正午,陈然. 计算机应用. 2018(03)
[3]一种基于改进最近邻算法的忠诚度预测方法[J]. 朱虹,李千目,戚湧. 南京理工大学学报. 2017(04)
[4]基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 孟桓羽,刘真,王芳,徐家栋,张国强. 计算机研究与发展. 2017(07)
[5]一种结合关联规则的协同过滤推荐算法[J]. 陈平华,陈传瑜,洪英汉. 小型微型计算机系统. 2016(02)
[6]改进的基于标签的协同过滤算法[J]. 郭彩云,王会进. 计算机工程与应用. 2016(08)
[7]移动环境下基于情境感知的个性化阅读推荐研究[J]. 曾子明,陈贝贝. 情报理论与实践. 2015(12)
[8]协同过滤算法中的用户相似性度量方法研究[J]. 任看看,钱雪忠. 计算机工程. 2015(08)
[9]基于用户-标签-项目语义挖掘的个性化音乐推荐[J]. 李瑞敏,林鸿飞,闫俊. 计算机研究与发展. 2014(10)
[10]一种结合推荐对象间关联关系的社会化推荐算法[J]. 郭磊,马军,陈竹敏,姜浩然. 计算机学报. 2014(01)
硕士论文
[1]互联网电影推荐方法的研究与实现[D]. 陈天昊.中国科学技术大学 2014
[2]基于组合优化的线性分类算法研究[D]. 刘志伟.西安电子科技大学 2013
[3]基于协同过滤的个性化推荐算法研究[D]. 周张兰.华中师范大学 2009
[4]基于内容和协同过滤的混合模式推荐技术研究[D]. 曹毅.中南大学 2007
本文编号：3070104
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.4 论文研究内容与章节结构
1.4.1 研究内容
1.4.2 章节结构
第二章 个性化推荐算法与强化学习方法研究
2.1 个性化推荐算法介绍
2.1.1 基于内容的推荐
2.1.2 协同过滤推荐算法
2.1.3 其它推荐算法
2.2 强化学习方法研究
2.2.1 强化学习框架
2.2.2 强化学习经典方法
2.3 本章小结
第三章 基于值函数估计的协同过滤推荐算法
3.1 协同过滤推荐算法问题分析
3.2 基于强化学习计算值函数模型
3.2.1 强化学习值函数估计方法
3.2.2 推荐场景下值函数估计
3.3 基于值函数估计的推荐算法模型
3.4 推荐算法仿真实验
3.4.1 实验数据与预处理
3.4.2 评价标准
3.4.3 实验设置
3.5 实验结果对比与分析
3.5.1 参数设置实验结果分析
3.5.2 基于值函数估计的协同过滤推荐算法结果分析
3.6 本章小结
第四章 基于用户评价的强化学习推荐算法
4.1 用户评价度量方法
4.1.1 基于用户评价方案分析
4.1.2 用户评价在强化学习方法中的应用
4.2 基于用户评价的强化学习推荐算法模型
4.3 推荐算法仿真实验
4.3.1 实验数据与预处理
4.3.2 实验设置
4.4 实验结果对比与分析
4.4.1 参数设置及实验结果分析
4.4.2 推荐算法及实验结果分析
4.5 本章小结
第五章 总结与展望
5.1 工作总结
5.2 未来工作展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]决策树典型算法研究综述[J]. 邵旻晖. 电脑知识与技术. 2018(08)
[2]基于多层次混合相似度的协同过滤推荐算法[J]. 袁正午,陈然. 计算机应用. 2018(03)
[3]一种基于改进最近邻算法的忠诚度预测方法[J]. 朱虹,李千目,戚湧. 南京理工大学学报. 2017(04)
[4]基于图和改进K近邻模型的高效协同过滤推荐算法[J]. 孟桓羽,刘真,王芳,徐家栋,张国强. 计算机研究与发展. 2017(07)
[5]一种结合关联规则的协同过滤推荐算法[J]. 陈平华,陈传瑜,洪英汉. 小型微型计算机系统. 2016(02)
[6]改进的基于标签的协同过滤算法[J]. 郭彩云,王会进. 计算机工程与应用. 2016(08)
[7]移动环境下基于情境感知的个性化阅读推荐研究[J]. 曾子明,陈贝贝. 情报理论与实践. 2015(12)
[8]协同过滤算法中的用户相似性度量方法研究[J]. 任看看,钱雪忠. 计算机工程. 2015(08)
[9]基于用户-标签-项目语义挖掘的个性化音乐推荐[J]. 李瑞敏,林鸿飞,闫俊. 计算机研究与发展. 2014(10)
[10]一种结合推荐对象间关联关系的社会化推荐算法[J]. 郭磊,马军,陈竹敏,姜浩然. 计算机学报. 2014(01)
硕士论文
[1]互联网电影推荐方法的研究与实现[D]. 陈天昊.中国科学技术大学 2014
[2]基于组合优化的线性分类算法研究[D]. 刘志伟.西安电子科技大学 2013
[3]基于协同过滤的个性化推荐算法研究[D]. 周张兰.华中师范大学 2009
[4]基于内容和协同过滤的混合模式推荐技术研究[D]. 曹毅.中南大学 2007
本文编号：3070104
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3070104.html
