基于混合推荐算法的个性化电影推荐系统的设计与实现

发布时间：2024-02-14 06:03

　　推荐系统对于在信息爆炸时代保持用户对个性化推荐的参与度和满意度至关重要。用户期望在现代的电子商务、娱乐和社交媒体平台中获得个性化的内容,而平台则期望为用户提供符合其需求的项目以提高用户忠诚度。伴随着网络数据指数级的增长,传统推荐技术存在的弊端日益凸显。随着深度学习技术的不断发展,其在推荐技术领域的价值被不断发掘。为了缓解用户交互数据缺少和无法推荐新项目对推荐性能的影响,将深度学习技术与推荐系统相结合,以充分挖掘用户潜在兴趣,提高系统推荐准确度及用户忠诚度。提出一种基于深度学习的混合推荐算法,充分利用用户、项目显性信息。针对一般属性信息,利用深度神经网络提取用户、项目特征;针对文本信息,利用添加自注意力机制的卷积神经网络提取项目文本特征,然后将用户特征和项目特征输入神经矩阵分解模型。借助通用矩阵分解模型学习低阶用户项目关系,多层感知机学习高阶用户项目关系,模型的输出即为预测评分。最后在Movielens-1M数据集上验证该算法,并与多种算法进行对比,证明所提出的混合推荐算法能够有效地缓解因交互数据稀疏和项目冷启动问题对推荐效果的影响,提高评分预测的准确性。基于对混合推荐算法的研究实现,构...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图2-1推荐系统一般流程图

9华中科技大学硕士学位论文间传播，在提高老用户忠诚度的同时，也会为网站带来更多新用户，从而形成良好的循环。2.1.1推荐系统架构衡量推荐系统好坏的重要指标，就是判断该系统能否在短时间内产生符合用户喜好的推荐结果，因此充分挖掘用户偏好至关重要，其一般流程如图2-1所示。信息数据是推....

图2-2推荐算法常见分类示意图

10华中科技大学硕士学位论文练时间较长，但是训练完成后，推荐过程比较快。对于数据密集且排列均匀的评分矩阵，协同过滤推荐具有优秀的性能；但对于数据缺少且分布不均匀的评分矩阵而言，协同过滤无法正确提取特征信息，计算误差较大[42]。基于内容的推荐算法，主要根据浏览记录或者点赞、收藏记....

图2-5评分矩阵图

15华中科技大学硕士学位论文矩阵分解技术可以将高维稀疏矩阵，分解为两个较低维的稠密矩阵，在一定程度上降低计算复杂度，且两个低维矩阵的乘积接近初始矩阵。用U代指用户，V代指项目，设定用户——评分矩阵的维度为U×V，其中用户使用U表示，项目使用V表示，其对应的矩阵如图2-5所示。由矩....

图2-6特征矩阵图

15华中科技大学硕士学位论文矩阵分解技术可以将高维稀疏矩阵，分解为两个较低维的稠密矩阵，在一定程度上降低计算复杂度，且两个低维矩阵的乘积接近初始矩阵。用U代指用户，V代指项目，设定用户——评分矩阵的维度为U×V，其中用户使用U表示，项目使用V表示，其对应的矩阵如图2-5所示。由矩....

本文编号：3897856