基于混合算法的电影推荐系统的研究与设计
发布时间：2021-01-11 23:43
随着互联网高速发展,我们已经步入了“大数据”时代。由于“信息过载”问题的显现,推荐系统应运而生,个性化推荐可以为用户带来便利与良好的使用体验,还可以为商家带来巨大利润。因此,推荐系统的研究十分具有价值和意义。目前深度学习进入大众视野,成为当前的研究热点,将深度学习算法应用到推荐系统中,具有广泛的应用前景,能够为电影推荐系统的使用者提供准确且具有高惊喜度的电影推荐列表。深度学习模型中的GAN模型可以用在图像处理、自然语言处理等领域,其中用在信息检索领域的IRGAN模型生成的数据是离散且有限的,用在推荐系统领域具有局限性。为了充分利用传统GAN模型生成向量的对抗训练优势,将协同过滤算法（CF）用在GAN模型中,采用基于GAN模型的协同过滤算法——CFGAN模型,向用户提供其可能感兴趣的top-N推荐。同时为了满足用户对多样性的需求,提高推荐系统的惊喜度,又在CFGAN模型的基础上,结合DPP模型,采用成对训练的对抗方式,实现融合多样性与相关性的改进的CFGAN模型,改进后的CFGAN模型在不损失相关性的情况下可以为用户提供多样性的推荐列表,设计出一个既满足系统准确性又满足多样性的电影推荐系...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
CF算法推荐流程图
其中和分别表示G和D的模型参数。x是来自数据分布!"#"的真实数据，而是来自模型分布的合成数据，通常由=()导出，其中z是随机噪声向量。D(·)表示其输入为真实数据的估计概率。G和D一般是神经网络，并且在优化各自的模型参数时会进行迭代，同时分别最小化和最大化相同的目标函数。作为对抗过程的结果，G学习了如何生成逼近真实的数据，例如，生成人眼看起来相对真实的照片，如图2-2所示。GAN已经在图像生成中获得了巨大的成功[39,40]，并且还对其他领域（例如自然语言生成[41]和音乐生成[42]）产生了浓厚的兴趣。图2-2GAN生成的图片举例但是，GAN在推荐系统领域尚未引起太多关注。IRGAN[43]和GraphGAN[44]是证明GAN可以在协同过滤算法（CF）中成功潜力的开创性方法。他们的主要思想是：给定用户，让G生成该用户可能购买的商品，并让D从样本中区分出用户过去真正购买过的商品。期望G最终可以生成能够覆盖用户对项目偏好的真实分布。但由于G每次都会生成一个商品索引，这种不连续的离散项很难通过标准反向传播正确地更新G的参数[41]，因此运用基于策略梯度的强化学习方法[45]：通过将D的输出作为对G的激励信号来指导G，G和D之间的竞争促使他们彼此帮助达成自己的目标，最后使得G可以对合理且高质量的商品索引进行采样以供推荐。现在，IRGAN和GraphGAN在推荐真实数据的准确性方面已经取得了令人鼓舞的成就，下面以IRGAN为例进行介绍。
IRGAN训练图示
【参考文献】：
期刊论文
[1]基于深度学习的资源个性化推荐算法及模型设计[J]. 梁婷婷,李丽琴. 智能计算机与应用. 2018(06)
[2]基于Web挖掘的个性化视频推荐系统设计与实现[J]. 汤伟. 电子设计工程. 2018(18)
[3]物联网海量数据处理下的数据库技术应用[J]. 单立娟. 科技资讯. 2017(04)
[4]基于用户协同过滤推荐算法研究与应用[J]. 陈强. 福建电脑. 2017(01)
[5]个性化推荐系统关键算法探讨[J]. 张普洋,郭剑英. 电脑知识与技术. 2016(27)
[6]Spark平台下基于上下文信息的影片混合推荐[J]. 缪雪峰,陈群辉,胡罗凯,刘进. 计算机工程与应用. 2017(10)
[7]协同过滤算法中的用户相似性度量方法研究[J]. 任看看,钱雪忠. 计算机工程. 2015(08)
[8]基于Hadoop的电子商务个性化推荐算法——以电影推荐为例[J]. 马瑞敏,卞艺杰,陈超,吴慧. 计算机系统应用. 2015(05)
[9]大数据系统和分析技术综述[J]. 程学旗,靳小龙,王元卓,郭嘉丰,张铁赢,李国杰. 软件学报. 2014(09)
[10]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
博士论文
[1]基于协同过滤的社会网络推荐系统关键技术研究[D]. 程殿虎.中国海洋大学 2015
硕士论文
[1]基于在线评论的泛视频推荐系统的设计与实现[D]. 侯强.大连理工大学 2018
[2]基于深度学习的Web社区推荐算法研究与应用[D]. 刘宇宁.西南交通大学 2018
[3]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[4]Hadoop架构下海量空间数据存储与管理[D]. 李庆君.武汉大学 2017
[5]基于改进型SVD协同过滤算法的新闻推荐系统[D]. 刘新全.兰州大学 2017
[6]基于Spark的个性化推荐系统的研究与实现[D]. 张宜忠.电子科技大学 2017
[7]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
[8]基于Hadoop的推荐系统的设计与实现[D]. 邓雄杰.华南理工大学 2013
[9]个性化智能推荐引擎算法研究及应用[D]. 孙斌.华中科技大学 2012
本文编号：2971704
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
CF算法推荐流程图
其中和分别表示G和D的模型参数。x是来自数据分布!"#"的真实数据，而是来自模型分布的合成数据，通常由=()导出，其中z是随机噪声向量。D(·)表示其输入为真实数据的估计概率。G和D一般是神经网络，并且在优化各自的模型参数时会进行迭代，同时分别最小化和最大化相同的目标函数。作为对抗过程的结果，G学习了如何生成逼近真实的数据，例如，生成人眼看起来相对真实的照片，如图2-2所示。GAN已经在图像生成中获得了巨大的成功[39,40]，并且还对其他领域（例如自然语言生成[41]和音乐生成[42]）产生了浓厚的兴趣。图2-2GAN生成的图片举例但是，GAN在推荐系统领域尚未引起太多关注。IRGAN[43]和GraphGAN[44]是证明GAN可以在协同过滤算法（CF）中成功潜力的开创性方法。他们的主要思想是：给定用户，让G生成该用户可能购买的商品，并让D从样本中区分出用户过去真正购买过的商品。期望G最终可以生成能够覆盖用户对项目偏好的真实分布。但由于G每次都会生成一个商品索引，这种不连续的离散项很难通过标准反向传播正确地更新G的参数[41]，因此运用基于策略梯度的强化学习方法[45]：通过将D的输出作为对G的激励信号来指导G，G和D之间的竞争促使他们彼此帮助达成自己的目标，最后使得G可以对合理且高质量的商品索引进行采样以供推荐。现在，IRGAN和GraphGAN在推荐真实数据的准确性方面已经取得了令人鼓舞的成就，下面以IRGAN为例进行介绍。
IRGAN训练图示
【参考文献】：
期刊论文
[1]基于深度学习的资源个性化推荐算法及模型设计[J]. 梁婷婷,李丽琴. 智能计算机与应用. 2018(06)
[2]基于Web挖掘的个性化视频推荐系统设计与实现[J]. 汤伟. 电子设计工程. 2018(18)
[3]物联网海量数据处理下的数据库技术应用[J]. 单立娟. 科技资讯. 2017(04)
[4]基于用户协同过滤推荐算法研究与应用[J]. 陈强. 福建电脑. 2017(01)
[5]个性化推荐系统关键算法探讨[J]. 张普洋,郭剑英. 电脑知识与技术. 2016(27)
[6]Spark平台下基于上下文信息的影片混合推荐[J]. 缪雪峰,陈群辉,胡罗凯,刘进. 计算机工程与应用. 2017(10)
[7]协同过滤算法中的用户相似性度量方法研究[J]. 任看看,钱雪忠. 计算机工程. 2015(08)
[8]基于Hadoop的电子商务个性化推荐算法——以电影推荐为例[J]. 马瑞敏,卞艺杰,陈超,吴慧. 计算机系统应用. 2015(05)
[9]大数据系统和分析技术综述[J]. 程学旗,靳小龙,王元卓,郭嘉丰,张铁赢,李国杰. 软件学报. 2014(09)
[10]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
博士论文
[1]基于协同过滤的社会网络推荐系统关键技术研究[D]. 程殿虎.中国海洋大学 2015
硕士论文
[1]基于在线评论的泛视频推荐系统的设计与实现[D]. 侯强.大连理工大学 2018
[2]基于深度学习的Web社区推荐算法研究与应用[D]. 刘宇宁.西南交通大学 2018
[3]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[4]Hadoop架构下海量空间数据存储与管理[D]. 李庆君.武汉大学 2017
[5]基于改进型SVD协同过滤算法的新闻推荐系统[D]. 刘新全.兰州大学 2017
[6]基于Spark的个性化推荐系统的研究与实现[D]. 张宜忠.电子科技大学 2017
[7]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
[8]基于Hadoop的推荐系统的设计与实现[D]. 邓雄杰.华南理工大学 2013
[9]个性化智能推荐引擎算法研究及应用[D]. 孙斌.华中科技大学 2012
本文编号：2971704
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2971704.html
最近更新
教材专著
