基于堆栈降噪自编码器和用户标签增强的混合的推荐算法研究

发布时间：2021-01-02 06:17

　　随着互联网信息技术的飞速发展,信息过载问题愈加严重,用户难以在海量的数据中,快速、精确的定位到感兴趣的内容,因此为用户提供个性化信息推荐成为了目前的研究热点。传统的推荐算法仅仅利用评分等结构化数据产生推荐依据,没有利用非结构的用户原创信息（User Generated Content,UGC）,如评论、标签、文本描述内容等,在海量数据场景下,无法精确识别用户的兴趣,推荐质量低且数据稀疏时容易过拟合。为了解决以上所述问题,本文提出了基于深度学习算法“堆栈降噪自编码器”改进的推荐算法,从用户的海量自由文本标签中提取特征,并结合协同过滤算法,为广大互联网用户提供更高精准度、更具有个性化的推荐服务。本文的主要工作包括如下4点:（1）引入标签信息传统的协同过滤推荐算法仅仅利用了用户的评分信息,推荐结果难以精匹配用户的兴趣关注点,因而需要引入额外的辅助推荐信息,提高推荐结果的准确性。而用户对物品标注的自由文本标签可以反映出用户对物品的兴趣偏好,本文通过引入标签信息作为辅助推荐依据,增强推荐算法的兴趣匹配度。（2）建立标签特征提取模型由于用户标签是非结构化的自由文本,数量庞大且分布稀疏,针对稀疏分布... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

中国网民规模和互联网普及率

移动互联网接入流量随着中国互联网+的深入推进，未来互联网所承载的的服务将会愈来愈多，应用场

Amazon商城首页的商品推荐


本文编号：2952820