基于ResnetFM模型的电影个性化推荐研究

发布时间：2021-07-06 10:04

　　推荐系统是解决信息过载问题的有效手段之一,它能提高用户获取有效信息的效率、消除信息壁垒、增加信息价值。近年来,随着网络中抽象的非结构化数据以几何速度增长,传统电影推荐系统在新的数据环境中已经不能针对特定用户进行精准的推荐,而深度学习模型是逐层加工的、非线性的网络结构,对抽象的非结构化数据有着很强的学习能力。因此,将深度学习引入传统电影推荐系统中有着重要的研究意义。通过梳理现有的研究成果发现,基于内容的推荐以及基于矩阵分解的推荐都有着对抽象的电影项目特征提取困难的缺陷,而基于协同过滤的推荐虽然在用户与项目评分矩阵稀疏时推荐困难,但能通过引入深度学习模型来有效解决这一问题。经综合分析,本文根据基于模型的协同过滤推荐策略开展了以下几个方面的研究工作:（1）针对电影个性化推荐场景中数据的特点,对电影推荐数据的特征工程开展研究,通过引入词嵌入以及Word2vec解决了One-Hot编码带来的维度爆炸以及文本特征提取困难的问题。（2）全面分析了单一浅层学习模型与深度学习模型的数学原理及其优缺点,并从特征融合和模型训练两个角度出发,改进了Wide&Deep模型。在Wide侧引入因子分解机,自... 

【文章来源】：重庆工商大学重庆市

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状分析
    1.3 论文研究主要内容和章节安排
    1.4 独创及新颖之处
    1.5 本章小结
第2章 电影推荐系统概述
    2.1 电影推荐系统功能概述
    2.2 电影推荐系统架构概述
    2.3 电影推荐算法概述
    2.4 推荐系统性能度量指标
    2.5 本章小结
第3章 电影推荐数据的特征工程
    3.1 电影推荐算法整体框架
    3.2 数据的预处理
    3.3 特征工程
    3.4 本章小结
第4章 电影推荐系统的模型与改进
    4.1 浅层学习
    4.2 深度学习
    4.3 Restnet&FM电影个性化推荐模型
    4.4 本章小结
第5章 模型的实现与实验效果分析
    5.1 特征工程的算法实现
    5.2 电影个性化推荐模型算法实现
    5.3 推荐模型的实验效果分析
    5.4 本章小结
第6章 总结与展望
    6.1 论文总结
    6.2 未来工作展望
参考文献
致谢
作者在学期间发表论文及参加课题情况


【参考文献】：
期刊论文
[1]基于用户的协同过滤算法的推荐效率和个性化改进[J]. 王成,朱志刚,张玉侠,苏芳芳.  小型微型计算机系统. 2016(03)
[2]基于云计算技术的个性化推荐系统[J]. 应毅,刘亚军,陈诚.  计算机工程与应用. 2015(13)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[4]推荐系统中的冷启动问题研究综述[J]. 孙冬婷,何涛,张福海.  计算机与现代化. 2012(05)
[5]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏.  复杂系统与复杂性科学. 2009(03)
[6]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平.  软件学报. 2009(02)
[7]基于协同过滤算法的电子商务网站个性化推荐系统设计[J]. 王纪辉,赵卓宁.  成都信息工程学院学报. 2007(S1)
[8]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐.  软件学报. 2003(09)

硕士论文
[1]基于SVD的协同过滤推荐算法研究[D]. 陈清浩.西南交通大学 2015
[2]混合推荐算法的研究[D]. 宋瑞平.兰州大学 2014
[3]网络广告投放算法的研究[D]. 霍艳.东北大学 2013
[4]基于用户相似性的协同过滤推荐算法研究[D]. 程飞.北京交通大学 2012



本文编号：3268036