基于标签分类和信任自编码器的协同过滤算法研究

发布时间：2022-11-08 21:08

　　随着互联网的快速发展,人们生产、复制和传播信息的能力大大增强,整个社会面临前所未有的信息过载问题,个性化推荐系统是解决该问题的有力手段。协同过滤是推荐系统中较为常用的一种方法,由于其良好的可扩展性和易用性被广泛应用。但是协同过滤算法的推荐准确度会因为评分矩阵包含大量的缺失值而大幅度降低,且对于新用户和新物品存在冷启动的问题。近年来,深度学习已被应用在自然语言处理、音频识别和交通监控等领域,并且获得了突飞猛进的发展,也为推荐系统带来了新的机遇。本文首先对传统的协同过滤算法进行改进,通过标签信息来辅助缓解协同过滤稀疏性问题,提出了基于标签分类的协同过滤推荐算法LCCF,将不完整的数据样本根据标签进行分类,使分解的矩阵依赖于类,随后使用迭代投影寻踪的方法计算依赖矩阵的线性组合及其对应权重,最后进行协同过滤推荐。针对传统协同过滤自身的局限性与评分信息单一的问题,结合深度学习模型中的降噪自编码器,提出了基于信任信息的降噪自编码器协同过滤推荐算法TDAE,通过相关度计算提取隐式信任信息,然后与数据集中的显式信任信息和评分信息与降噪自编码器模型进行整合,并对降噪自编码器的输入进行稀疏化处理,最后进行... 

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与动机
    1.2 研究内容与贡献
    1.3 章节安排
第二章 相关知识概述
    2.1 协同过滤推荐算法
        2.1.1 推荐系统概述
        2.1.2 协同过滤算法分类
        2.1.3 传统协同过滤面临的问题
    2.2 深度学习及其在协同过滤中的应用
        2.2.1 深度学习概述
        2.2.2 深度学习常用模型
        2.2.3 深度学习在协同过滤中的应用
    2.3 本章小结
第三章 基于标签分类的协同过滤推荐算法
    3.1 ALS协同过滤推荐算法
    3.2 LCCF推荐算法
        3.2.1 算法描述
        3.2.2 空缺样本分类
        3.2.3 迭代投影寻踪插补法
    3.3 实验结果及分析
        3.3.1 数据集和环境介绍
        3.3.2 评价标准
        3.3.3 实验结果及分析
    3.4 本章小结
第四章 基于信任降噪自编码器的协同过滤推荐算法
    4.1 降噪自编码器
    4.2 信任关系计算
    4.3 DAET推荐算法
        4.3.1 算法描述
        4.3.2 提取隐式信任信息
        4.3.3 信任信息整合
        4.3.4 输入稀疏化
        4.3.5 训练模型
    4.4 实验结果及分析
        4.4.1 数据集和环境介绍
        4.4.2 评价标准和对比算法
        4.4.3 实验预处理
        4.4.4 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢


【参考文献】：
期刊论文
[1]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢.  计算机学报. 2019(01)
[2]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)
[3]社交网络环境下基于信任的推荐算法[J]. 陈婷,朱青,周梦溪,王珊.  软件学报. 2017(03)
[4]社会化推荐系统研究[J]. 孟祥武,刘树栋,张玉洁,胡勋.  软件学报. 2015(06)
[5]基于推荐质量的信任感知推荐系统[J]. 王海艳,周洋.  计算机科学. 2014(06)
[6]基于动态贝叶斯网络的协同过滤推荐方法[J]. 赵永梅,任大勇.  黑龙江科技信息. 2010(14)
[7]网上信息搜索技术与搜索引擎[J]. 姚国祥,罗伟其,沈镇林.  计算机科学. 2000(07)
[8]投影寻踪技术及其应用进展[J]. 李祚泳.  自然杂志. 1997(04)

硕士论文
[1]基于SVD和用户聚类的协同过滤算法研究[D]. 王冲.青岛理工大学 2018



本文编号：3704564