基于个性化推荐的演艺交易系统的研究与实现

发布时间：2021-11-09 13:36

　　随着互联网和计算机技术的不断发展,电子商务极大的改变了人们的生活方式。面对各大电商平台上丰富多彩的物品,如何将物品高效的“匹配”给需要它的用户成为一个难题。解决上述问题不可或缺的工具是推荐系统,巨大的购买能力和购买需求给了推荐系统工业价值。但是传统的推荐技术难以有效的解决数据稀疏性、冷启动、推荐实时性等问题,此外,在大数据背景下推荐系统的工程实施也一直是领域内的研究难点与热点。为了解决上述问题,依托深度神经网络在智能推荐领域的广泛应用,本文首先提出了一个利用长短期记忆（Long Short-Term Memory,LSTM）网络和多层感知机（Multi-Layer Perceptron,MLP）的深度神经网络模型,缓解评级矩阵稀疏性问题、用户与项目冷启动问题。然后使用侧面情感联合模型（Aspect and Sentiment Unification Model,ASUM）挖掘用户的情感主题调整推荐列表顺序使得推荐更加个性化。最后,在所提出的的推荐模型基础上,结合大数据技术设计实现演艺交易系统。本文的主要工作包括以下内容:（1）提出了一个特征融合的深度神经网络模型（Feature Fus... 

【文章来源】：江苏大学江苏省

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 论文的主要研究内容
    1.4 论文的组织结构
第二章 相关技术和知识
    2.1 推荐系统概述
        2.1.1 推荐系统简介
        2.1.2 推荐算法
    2.2 推荐系统评价指标
        2.2.1 预测准确度指标
        2.2.2 分类准确度指标
    2.3 大数据相关技术
        2.3.1 Hadoop分布式计算框架
        2.3.2 Spark分布式并行计算框架
    2.4 本章小结
第三章 特征融合深度神经网络模型
    3.1 特征融合深度神经网络模型
        3.1.1 模型框架
        3.1.2 模型搭建与训练
    3.2 实验结果与分析
        3.2.1 数据集介绍
        3.2.2 实验方案
        3.2.3 实验环境
        3.2.4 预训练
        3.2.5 实验结果分析
    3.3 本章小结
第四章 基于用户情感主题的提取方法
    4.1 侧面情感联合模型介绍
    4.2 基于用户情感主题提取方法
        4.2.1 评论文本处理
        4.2.2 提取用户情感主题概率分布
        4.2.3 产生推荐结果
    4.3 本章小结
第五章 基于个性化推荐的演艺通的设计与实现
    5.1 系统需求分析
        5.1.1 功能需求
        5.1.2 非功能需求
    5.2 系统架构设计
    5.3 系统功能结构图
    5.4 系统关键模块实现
        5.4.1 HBase数据存储模块
        5.4.2 基于TensorflowOnSpark的数据处理模型
    5.5 系统环境配置
        5.5.1 分布式集群的搭建
        5.5.2 Web开发环境的配置
    5.6 客户端功能实现
        5.6.1 首页展示
        5.6.2 购物功能实现
        5.6.3 推荐功能实现
    5.7 后台管理系统功能实现
    5.8 系统测试方案及结果分析
    5.9 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间研究成果


【参考文献】：
期刊论文
[1]基于Ambari的Hadoop集群部署实验的设计与实现[J]. 唐磊.  信息记录材料. 2017(11)
[2]矩阵补全模型及其算法研究综述[J]. 陈蕾,陈松灿.  软件学报. 2017(06)
[3]面向相似App推荐的列表式多核相似性学习算法[J]. 卜宁,牛树梓,马文静,龙国平.  计算机系统应用. 2017(01)
[4]一种改进的基于内容的个性化推荐模型[J]. 闫东东,李红强.  软件导刊. 2016(04)
[5]面向产品评论分析的短文本情感主题模型[J]. 熊蜀峰,姬东鸿.  自动化学报. 2016(08)
[6]移动社交网站中的信息过载与个性化推荐机制研究[J]. 王娜,任婷.  情报杂志. 2015(08)
[7]推荐系统研究进展[J]. 朱扬勇,孙婧.  计算机科学与探索. 2015(05)
[8]结合社会化标签的基于内容的推荐算法[J]. 江周峰,杨俊,鄂海红.  软件. 2015(01)
[9]MapReduce优化技术综述[J]. 黄山,王波涛,王国仁,于戈,李佳佳.  计算机科学与探索. 2013(10)
[10]基于关联规则与标签的好友推荐算法[J]. 胡文江,胡大伟,高永兵,郝斌.  计算机工程与科学. 2013(02)

博士论文
[1]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005



本文编号：3485451