基于时间效应的个性化推荐算法研究与实现

发布时间：2023-07-28 10:42

　　推荐系统是大数据及智能信息时代下应运而生的产物,已经成功应用到商品推荐、美食推荐、旅游推荐、视频推荐、社交推荐等各种场景。目前,大部分推荐系统更多关注的是显式反馈,然而在实际应用中隐式反馈远比显式反馈丰富,甚至在一些场景中只能获取到隐式反馈,因此基于隐式反馈推荐的重要性不言而喻。同时,传统的基于隐式反馈的推荐算法大都忽略了时间因素对推荐结果的影响。针对以上问题,本文改进了两个场景下的推荐算法,设计了一个儿童视频的推荐系统。具体工作如下:(1)针对传统的时间权重算法没有挖掘到用户“先快后慢”遗忘规律的问题,本文设计了一个时间窗函数,改进了传统的时间权重策略,并将改进的时间权重策略融合进快速矩阵分解算法中,最后在两个公开数据集上进行对比实验,验证了改进算法的可行性和有效性。(2)针对传统的GRU模型忽略了时间序列数据中用户点击商品时间的问题,本文在传统GRU模型中加入了时间门,提出了一种Time-GRU模型,并且探究了两种损失函数对Time-GRU模型的影响。通过实验,验证了加入时间门的GRU模型在推荐任务中的有效性。(3)本文基于B/S架构设计了一个儿童视频的推荐系统,并将以上改进的算法...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统推荐算法的研究现状
        1.2.2 深度学习推荐算法的研究现状
    1.3 推荐系统面临的挑战
    1.4 本文的研究内容
    1.5 本文的结构框架
第二章 个性化推荐算法相关理论
    2.1 引言
    2.2 基于内容的推荐算法
    2.3 基于协同过滤的推荐算法
        2.3.1 基于用户的协同过滤
        2.3.2 基于物品的协同过滤
        2.3.3 基于模型的协同过滤
    2.4 混合推荐算法
    2.5 深度学习推荐算法
        2.5.1 循环神经网络RNN
        2.5.2 长短期记忆网络LSTM
        2.5.3 门控循环单元网络GRU
    2.6 本章小结
第三章 具有时间效应的快速矩阵分解算法
    3.1 引言
    3.2 传统的基于隐式反馈的快速矩阵分解方法
        3.2.1 传统的矩阵分解模型
        3.2.2 统一权重的快速矩阵分解模型
        3.2.3 基于流行度的快速矩阵分解模型
    3.3 具有时间效应的隐式快速矩阵分解算法
        3.3.1 传统的时间权重方法
        3.3.2 改进的时间权重方法
        3.3.3 融合时间效应的FLFM-DT算法
    3.4 实验结果及分析
        3.4.1 实验设计
        3.4.2 实验结果分析
    3.5 本章小结
第四章 具有时间感知的循环神经网络
    4.1 引言
    4.2 网络单元结构Time-LSTM
    4.3 改进的网络单元结构Time-GRU
        4.3.1 时间门
        4.3.2 网络单元结构Time-GRU
    4.4 Time-GRU在推荐系统中的应用
        4.4.1 模型框架
        4.4.2 模型训练策略
        4.4.3 模型损失函数
    4.5 实验结果与分析
        4.5.1 实验设计
        4.5.2 实验结果分析
    4.6 本章小结
第五章 基于儿童视频的推荐系统的设计与实现
    5.1 引言
    5.2 需求分析
    5.3 网络爬虫
        5.3.1 数据格式定义
        5.3.2 爬虫规则Spider定义
        5.3.3 存储数据
    5.4 系统设计与实现
        5.4.1 推荐系统架构设计
        5.4.2 数据库设计
        5.4.3 系统实现
    5.5 系统的部署与测试
        5.5.1 系统的部署
        5.5.2 系统的测试
    5.6 本章小结
总结与展望
    总结
    展望
参考文献
攻读硕士学位期间取得的学术成果
致谢



本文编号：3837767