基于多特征融合分析的推荐模型的研究与实现

发布时间：2023-06-23 19:15

　　近年来,互联网的快速发展使得在线系统中的信息呈爆炸式增长,而人们对个性化信息的需求越来越强烈。推荐系统已成为海量信息过滤和精准呈现的有效工具,在电子商务网站和其他在线内容消费系统中的应用也越来越广泛。常见推荐算法是协同过滤算法,以及基于矩阵分解的改进算法,但是大多数方法都是基于评级预测模式,忽略了用户行为的时间上下文和循环模式,也没有综合考虑多种情况下的用户行为特征;同时,推荐中的矩阵稀疏问题和可扩展性问题还需要进一步改进。本文提出了基于多特征融合分析的推荐模型,旨在综合考虑循环模式下多种用户行为的时间上下文,并且在考虑多个显性特征的同时也将隐性特征融合进来进行分析,减轻推荐系统研究中的矩阵稀疏和可扩展性问题,进一步提高推荐系统的精度。在线系统每天产生大规模的用户行为日志,例如购物、社交、音乐、视频软件中的活动记录,我们统称为用户在线消费行为记录。对于在线内容消费系统中的用户行为,在本文中我们分为:时序基础上的用户长期行为,用户习惯改变产生的近期短期行为,以及当时流行因素对用户行为影响而产生的流行元素下用户行为。由此我们可以得到按时间排列的长期用户活动序列、短期用户活动序列;通过考虑流...

【文章页数】：67 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
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状及关键技术
        1.2.1 研究现状
        1.2.2 传统推荐算法研究
        1.2.3 神经网络研究
        1.2.4 隐语义模型LFM研究
    1.3 研究内容及章节安排
        1.3.1 本文的研究内容
        1.3.2 本文的章节安排
第二章 循环神经网络消费模型的设计与实现
    2.1 常用用户行为预测方法分析
    2.2 循环神经网络消费模型RNNCM的设计与实现
        2.2.1 循环神经网络消费模型RNNCM介绍
        2.2.2 RNNCM模型的分析过程
        2.2.3 RNNCM模型算法描述
        2.2.4 RNNCM模型的创新点和难点
    2.3 实验与分析
        2.3.1 实验数据集
        2.3.2 数据预处理
        2.3.3 评价指标
        2.3.4 实验结果和分析
    2.4 本章小结
第三章 多特征融合分析的推荐模型的设计与实现
    3.1 多特征融合分析的推荐模型的设计与实现
        3.1.1 BPNN消费模型介绍
        3.1.2 多特征融合分析的推荐模型RNN_BPNN-CM介绍
        3.1.3 RNN_BPNN-CM算法描述
        3.1.4 RNN_BPNN-CM的创新点和难点
    3.2 实验结果和分析
        3.2.1 长期行为序列长度的选择
        3.2.2 RNN_BPNN-CM与基线模型的比较
        3.2.3 RNN_BPNN-CM与RNN(GRU)CM的对比
    3.3 本章小结
第四章 隐语义模型优化多特征融合分析的推荐模型
    4.1 改进的多特征融合分析的推荐模型的设计与实现
        4.1.1 构建评分矩阵
        4.1.2 改进的多特征融合分析的推荐模型介绍
        4.1.3 改进的多特征融合分析的推荐模型的算法描述
        4.1.4 改进的多特征融合分析的推荐模型的创新点和难点
    4.2 实验结果与分析
        4.2.1 RNN_BPNN_MF_CF-CM与基线模型的比较
        4.2.2 RNN_BPNN_MF_CF-CM与RNN_BPNN_CM的比较
    4.3 本章小结
第五章 多特征融合分析的推荐系统的设计与实现
    5.1 系统框架设计
    5.2 模块描述
        5.2.1 数据输入模块
        5.2.2 RNN_BPNN-CM模块
        5.2.3 RNN_BPNN_MF_CF-CM模块
    5.3 系统实现
    5.4 系统验证
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间发表的学术论文



本文编号：3835162