基于GAN的推荐系统的研究
发布时间:2021-10-11 14:37
随着互联网的普及和计算机技术的快速发展,网络上各类信息资源也出现了大幅度的增长。用户常常在面对海量的信息时束手无策,不知道如何才可以从海量的信息里准确而又快速的得到有关联的信息。用户对信息的需求不能满足,造成信息资源浪费,资源利用率降低,这就是信息过载问题。而解决这类问题的一个有效方法就是推荐系统。近几年伴随着人工智能技术的飞速发展,深度学习技术在推荐系统领域中的研究也已经成为热点之一。其中生成对抗网络(GAN)在图像处理和自然语言等领域取得突破性进展。信息资源的快速增长也使得信息中的用户数量和项目数量迅速增加,造成了数据集中有效评分所占的比例越来越小,数据越来越稀疏,也使得传统的推荐算法不能很准确地为用户进行推荐。传统的GAN模型只是简单的利用了用户和项目之间的评分关系,并没有将用户和项目的其他的属性信息充分利用起来,一定程度上影响了算法的推荐精度。针对上述问题,本文提出了一种将现有的IRGAN和Wide&Deep Models融合的推荐算法(IRGAN-WD),利用Wide&Deep模型,将用户和项目的其他相关属性充分利用。并且在Wide&Deep模型中引入...
【文章来源】:宁波大学浙江省
【文章页数】:64 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 协同过滤在推荐系统领域的研究现状
1.2.2 深度学习在推荐系统领域的研究现状
1.2.3 电影推荐系统的研究现状
1.3 论文主要工作以及研究内容
1.4 论文的篇章结构
2 相关理论和技术介绍
2.1 生成对抗网络介绍
2.2 注意力模型介绍
2.3 大数据相关技术介绍
2.3.1 Hadoop简介
2.3.2 Spark简介
2.3.3 Flume和 Kafka简介
2.4 本章小结
3 基于IRGAN和融合注意力机制的Wide& Deep Models混合推荐算法
3.1 相关算法介绍
3.1.1 IRGAN算法模型
3.1.2 Wide& Deep Model
3.2 IRGAN-WD算法
3.2.1 算法思想
3.2.2 算法设计
3.3 实验结果与分析
3.3.1 实验数据集
3.3.2 数据集预处理
3.3.3 实验评价标准
3.3.4 参数选取
3.3.5 实验结果分析
3.4 本章小结
4 基于IRGAN-WD的电影推荐系统的设计
4.1 系统需求分析
4.1.1 功能需求分析
4.1.2 非功能需求分析
4.2 系统总体架构设计
4.3 系统功能模块设计
4.4 系统算法层详细设计
4.4.1 算法层总体架构设计
4.4.2 离线推荐模块设计
4.4.3 在线推荐模块设计
4.5 本章小结
5 系统功能实现和测试
5.1 系统部署环境
5.2 系统功能实现
5.2.1 热门电影推荐列表
5.2.2 个性化电影推荐列表
5.2.3 用户历史记录界面
5.2.4 用户信息管理界面
5.2.5 电影信息管理界面
5.3 系统运行效率测试
5.4 与传统协同过滤电影推荐系统对比
5.5 本章小结
6 总结和展望
6.1 工作总结
6.2 未来展望
参考文献
在学研究成果
致谢
【参考文献】:
期刊论文
[1]基于Web挖掘的个性化视频推荐系统设计与实现[J]. 汤伟. 电子设计工程. 2018(18)
[2]深度学习下的推荐系统研究[J]. 王涛,李明. 电脑知识与技术. 2017(25)
[3]协同过滤推荐瓶颈问题研究[J]. 胡致杰,胡羽沫. 无线互联科技. 2016(09)
[4]Spark平台下基于上下文信息的影片混合推荐[J]. 缪雪峰,陈群辉,胡罗凯,刘进. 计算机工程与应用. 2017(10)
[5]基于Hadoop的电子商务个性化推荐算法——以电影推荐为例[J]. 马瑞敏,卞艺杰,陈超,吴慧. 计算机系统应用. 2015(05)
[6]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)
[7]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[8]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)
[9]信息超载综述[J]. 周玲. 图书情报工作. 2001(11)
博士论文
[1]基于排序学习的信息检索模型研究[D]. 程凡.中国科学技术大学 2012
硕士论文
[1]基于生成对抗网络的模糊图像复原研究[D]. 张云飞.湘潭大学 2018
[2]基于Spark的实时电影推荐系统研究[D]. 张安.成都理工大学 2018
[3]基于Hadoop的海量数据处理模型研究和应用[D]. 朱珠.北京邮电大学 2008
本文编号:3430708
【文章来源】:宁波大学浙江省
【文章页数】:64 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
1 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 协同过滤在推荐系统领域的研究现状
1.2.2 深度学习在推荐系统领域的研究现状
1.2.3 电影推荐系统的研究现状
1.3 论文主要工作以及研究内容
1.4 论文的篇章结构
2 相关理论和技术介绍
2.1 生成对抗网络介绍
2.2 注意力模型介绍
2.3 大数据相关技术介绍
2.3.1 Hadoop简介
2.3.2 Spark简介
2.3.3 Flume和 Kafka简介
2.4 本章小结
3 基于IRGAN和融合注意力机制的Wide& Deep Models混合推荐算法
3.1 相关算法介绍
3.1.1 IRGAN算法模型
3.1.2 Wide& Deep Model
3.2 IRGAN-WD算法
3.2.1 算法思想
3.2.2 算法设计
3.3 实验结果与分析
3.3.1 实验数据集
3.3.2 数据集预处理
3.3.3 实验评价标准
3.3.4 参数选取
3.3.5 实验结果分析
3.4 本章小结
4 基于IRGAN-WD的电影推荐系统的设计
4.1 系统需求分析
4.1.1 功能需求分析
4.1.2 非功能需求分析
4.2 系统总体架构设计
4.3 系统功能模块设计
4.4 系统算法层详细设计
4.4.1 算法层总体架构设计
4.4.2 离线推荐模块设计
4.4.3 在线推荐模块设计
4.5 本章小结
5 系统功能实现和测试
5.1 系统部署环境
5.2 系统功能实现
5.2.1 热门电影推荐列表
5.2.2 个性化电影推荐列表
5.2.3 用户历史记录界面
5.2.4 用户信息管理界面
5.2.5 电影信息管理界面
5.3 系统运行效率测试
5.4 与传统协同过滤电影推荐系统对比
5.5 本章小结
6 总结和展望
6.1 工作总结
6.2 未来展望
参考文献
在学研究成果
致谢
【参考文献】:
期刊论文
[1]基于Web挖掘的个性化视频推荐系统设计与实现[J]. 汤伟. 电子设计工程. 2018(18)
[2]深度学习下的推荐系统研究[J]. 王涛,李明. 电脑知识与技术. 2017(25)
[3]协同过滤推荐瓶颈问题研究[J]. 胡致杰,胡羽沫. 无线互联科技. 2016(09)
[4]Spark平台下基于上下文信息的影片混合推荐[J]. 缪雪峰,陈群辉,胡罗凯,刘进. 计算机工程与应用. 2017(10)
[5]基于Hadoop的电子商务个性化推荐算法——以电影推荐为例[J]. 马瑞敏,卞艺杰,陈超,吴慧. 计算机系统应用. 2015(05)
[6]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)
[7]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[8]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)
[9]信息超载综述[J]. 周玲. 图书情报工作. 2001(11)
博士论文
[1]基于排序学习的信息检索模型研究[D]. 程凡.中国科学技术大学 2012
硕士论文
[1]基于生成对抗网络的模糊图像复原研究[D]. 张云飞.湘潭大学 2018
[2]基于Spark的实时电影推荐系统研究[D]. 张安.成都理工大学 2018
[3]基于Hadoop的海量数据处理模型研究和应用[D]. 朱珠.北京邮电大学 2008
本文编号:3430708
本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3430708.html