基于改进神经协同过滤模型的电影推荐系统研究
发布时间：2021-04-25 07:53
依托中国电影市场的蓬勃发展,个性化电影推荐系统需求也应运而生,构建更为精准的个性化电影推荐系统越来越重要。为了克服传统推荐算法的局限性,本文尝试使用神经网络技术,开展基于深度学习的推荐系统研究。使用美国明尼苏达大学（UMN）的Grouplens团队公开的用于测试推荐算法的数据集MovieLens,通过两种角度改进神经协同过滤模型得到两种电影推荐系统模型,主要包括以下工作:（1）提出结合贝叶斯个性化排序算法的改进模型B-NCF。通过构建用户电影偏序对,满足贝叶斯个性化排序算法的前提条件,通过重新设计神经协同过滤神经网络,替换原神经协调过滤模型中的广义矩阵分解层为贝叶斯个性化排序层,使得神经协同过滤模型获得学习隐含排序信息的能力,从而使得贝叶斯个性化排序算法与神经协同过滤模型巧妙地结合起来,本文通过大量对比试验验证新模型的有效性。贝叶斯个性化排序层的引入增强了推荐模型挖掘信息深度的能力,同时增加辅助信息来影响最终推荐得分,因此最终的电影推荐系统满足了从深度和广度来进行电影推荐。（2）提出多元信息嵌入推荐模型M-NCF。由于MovieLens-100k和MovieLens-1m的信息存储格式...
【文章来源】：杭州师范大学浙江省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 电影推荐研究的意义
1.2 推荐算法现状
1.2.1 常用的推荐算法——协同过滤算法
1.2.2 其他比较常见的推荐算法
1.2.3 基于神经网络的推荐算法
1.2.4 多样化神经网络推荐算法发展
1.3 创新点与难点
1.4 本文的组织结构
2 与推荐模型相关的理论与技术
2.1 相关神经网络
2.1.1 多层感知机
2.1.2 卷积神经网络
2.1.3 循环神经网络
2.1.4 GRU网络
2.2 贝叶斯个性化排序算法
2.3 神经协同过滤模型
2.4 本章小结
3 结合贝叶斯个性化排序算法的改进神经协同过滤模型
3.1 模型总体设计
3.1.1 嵌入层（Embedding Layer）
3.1.2 多层感知机层（MLP Layer）
3.1.3 贝叶斯个性化排序层（BPR Layer）
3.1.4 输出层（Output Layer）
3.1.5 算法更新步骤
3.2 电影推荐系统
3.3 设计研究实验
3.3.1 电影数据集MovieLens
3.3.2 评价指标
3.3.3 数据集预处理
3.3.4 模型参数设置
3.3.5 影响因子研究
3.3.6 不同模型对比
3.4 电影仿真推荐
3.5 本章小结
4 基于深度学习的多元信息嵌入推荐模型
4.1 特征工程
4.1.1 数据集分析
4.1.2 数字化与向量化
4.2 模型总体设计
4.2.1 嵌入层（Embedding Layer）
4.2.2 多层感知机层（MLP Layer）
4.2.3 广义矩阵分解层（GMF Layer）
4.2.4 循环神经网络层（RNN Layer）
4.2.5 输出层（Output Layer）
4.3 设计研究实验
4.3.1 评价指标
4.3.2 模型参数设置
4.3.3 影响因子研究
4.3.4 新旧模型对比
4.3.5 不同模型对比
4.4 电影仿真推荐
4.4.1 基于预测评分的电影推荐
4.4.2 基于物品的协同过滤电影推荐
4.4.3 基于矩阵分解法的电影推荐
4.5 本章小结
5 总结与展望
5.1 论文工作总结
5.2 不足与展望
参考文献
攻读学位期间的科研成果
致谢
【参考文献】：
期刊论文
[1]融合多源异构网络信息的标签推荐方法[J]. 包恒泽,周栋,吴谈. 山东大学学报(理学版). 2019(03)
[2]基于深度神经网络的个性化推荐系统研究[J]. 字云飞,李业丽,孙华艳. 电子技术应用. 2019(01)
[3]融合多数据源的动态自适应推荐算法[J]. 陈晓霞,卢菁. 计算机工程. 2018(09)
[4]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[5]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)
[6]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[7]基于加权多融合偏好与结构相似度的协同过滤算法[J]. 何顺,王淑娟,雷建云. 计算机工程. 2016(10)
[8]个性化推荐中的隐语义模型[J]. 王升升,赵海燕,陈庆奎,曹健. 小型微型计算机系统. 2016(05)
[9]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
[10]融合标签特征和时间上下文的协同过滤推荐算法[J]. 窦羚源,王新华,孙克. 小型微型计算机系统. 2016(01)
博士论文
[1]基于多样化内容数据的个性化推荐系统[D]. 练建勋.中国科学技术大学 2018
[2]融合多源信息的推荐算法研究[D]. 余永红.南京大学 2017
[3]集成多元信息的推荐系统建模方法的研究[D]. 胡亮.上海交通大学 2015
[4]社交网络中个性化推荐模型及算法研究[D]. 张志军.山东师范大学 2015
[5]面向知识推荐服务的消费者在线购物决策研究[D]. 许应楠.南京理工大学 2012
[6]奇异值分解及其在广义逆理论中的应用[D]. 郭文彬.华东师范大学 2004
硕士论文
[1]基于多因素的矩阵分解推荐算法研究与实现[D]. 张文博.北京邮电大学 2019
[2]基于图卷积与神经协同过滤的融合信息推荐模型[D]. 江原.吉林大学 2018
[3]长尾信息的个性化推荐中的特征选择优化算法[D]. 丁志东.北京交通大学 2016
[4]推荐系统中多样性和新颖性算法研究[D]. 艾聪聪.湖南大学 2014
本文编号：3159020
【文章来源】：杭州师范大学浙江省
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 电影推荐研究的意义
1.2 推荐算法现状
1.2.1 常用的推荐算法——协同过滤算法
1.2.2 其他比较常见的推荐算法
1.2.3 基于神经网络的推荐算法
1.2.4 多样化神经网络推荐算法发展
1.3 创新点与难点
1.4 本文的组织结构
2 与推荐模型相关的理论与技术
2.1 相关神经网络
2.1.1 多层感知机
2.1.2 卷积神经网络
2.1.3 循环神经网络
2.1.4 GRU网络
2.2 贝叶斯个性化排序算法
2.3 神经协同过滤模型
2.4 本章小结
3 结合贝叶斯个性化排序算法的改进神经协同过滤模型
3.1 模型总体设计
3.1.1 嵌入层（Embedding Layer）
3.1.2 多层感知机层（MLP Layer）
3.1.3 贝叶斯个性化排序层（BPR Layer）
3.1.4 输出层（Output Layer）
3.1.5 算法更新步骤
3.2 电影推荐系统
3.3 设计研究实验
3.3.1 电影数据集MovieLens
3.3.2 评价指标
3.3.3 数据集预处理
3.3.4 模型参数设置
3.3.5 影响因子研究
3.3.6 不同模型对比
3.4 电影仿真推荐
3.5 本章小结
4 基于深度学习的多元信息嵌入推荐模型
4.1 特征工程
4.1.1 数据集分析
4.1.2 数字化与向量化
4.2 模型总体设计
4.2.1 嵌入层（Embedding Layer）
4.2.2 多层感知机层（MLP Layer）
4.2.3 广义矩阵分解层（GMF Layer）
4.2.4 循环神经网络层（RNN Layer）
4.2.5 输出层（Output Layer）
4.3 设计研究实验
4.3.1 评价指标
4.3.2 模型参数设置
4.3.3 影响因子研究
4.3.4 新旧模型对比
4.3.5 不同模型对比
4.4 电影仿真推荐
4.4.1 基于预测评分的电影推荐
4.4.2 基于物品的协同过滤电影推荐
4.4.3 基于矩阵分解法的电影推荐
4.5 本章小结
5 总结与展望
5.1 论文工作总结
5.2 不足与展望
参考文献
攻读学位期间的科研成果
致谢
【参考文献】：
期刊论文
[1]融合多源异构网络信息的标签推荐方法[J]. 包恒泽,周栋,吴谈. 山东大学学报(理学版). 2019(03)
[2]基于深度神经网络的个性化推荐系统研究[J]. 字云飞,李业丽,孙华艳. 电子技术应用. 2019(01)
[3]融合多数据源的动态自适应推荐算法[J]. 陈晓霞,卢菁. 计算机工程. 2018(09)
[4]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[5]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)
[6]深层网络中的梯度消失现象[J]. 周祥全,张津. 科技展望. 2017(27)
[7]基于加权多融合偏好与结构相似度的协同过滤算法[J]. 何顺,王淑娟,雷建云. 计算机工程. 2016(10)
[8]个性化推荐中的隐语义模型[J]. 王升升,赵海燕,陈庆奎,曹健. 小型微型计算机系统. 2016(05)
[9]面向隐式反馈的推荐系统研究现状与趋势[J]. 陆艺,曹健. 计算机科学. 2016(04)
[10]融合标签特征和时间上下文的协同过滤推荐算法[J]. 窦羚源,王新华,孙克. 小型微型计算机系统. 2016(01)
博士论文
[1]基于多样化内容数据的个性化推荐系统[D]. 练建勋.中国科学技术大学 2018
[2]融合多源信息的推荐算法研究[D]. 余永红.南京大学 2017
[3]集成多元信息的推荐系统建模方法的研究[D]. 胡亮.上海交通大学 2015
[4]社交网络中个性化推荐模型及算法研究[D]. 张志军.山东师范大学 2015
[5]面向知识推荐服务的消费者在线购物决策研究[D]. 许应楠.南京理工大学 2012
[6]奇异值分解及其在广义逆理论中的应用[D]. 郭文彬.华东师范大学 2004
硕士论文
[1]基于多因素的矩阵分解推荐算法研究与实现[D]. 张文博.北京邮电大学 2019
[2]基于图卷积与神经协同过滤的融合信息推荐模型[D]. 江原.吉林大学 2018
[3]长尾信息的个性化推荐中的特征选择优化算法[D]. 丁志东.北京交通大学 2016
[4]推荐系统中多样性和新颖性算法研究[D]. 艾聪聪.湖南大学 2014
本文编号：3159020
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3159020.html
