融合时间信息的推荐系统研究与实现
发布时间：2021-05-06 21:53
随着数据量爆发式增长,深度神经网络在推荐系统中的应用研究迎来高速发展时期。传统的推荐技术主要包括基于内容的推荐方式（协同推荐技术）、基于用户的推荐方式以及基于模型的推荐方式等。得益于深度学习的重大进展,众多的研究成果纷纷应用于推荐系统,使得基于深度学习的推荐成为一个新兴的主流。基于深度学习的推荐技术对时间信息的使用大都仅限于单次推荐,无法满足推荐系统的长期有效性;应用于推荐系统的深度学习方法过于局限,推荐精度有待提高;深度学习模型在用于推荐系统时,往往存在“冷启动”以及梯度消失的问题,推荐效果较差。针对上述三个问题,本论文主要研究了混合多种时间信息的生成对抗网络算法,并在推荐系统中进行了应用,更具体地说,这里的推荐是指对于电影、音乐等的推荐。首先针对基于深度学习的推荐技术无法充分利用时间信息的问题,论文采用一种混合多种时间因素的奇异值分解方法,该方法不仅考虑了时间因素影响推荐结果的四个主要因素,还考虑了季节性等其他细小时间因素。相较于传统奇异值分解方法,该方法充分利用了时间信息,推荐结果误差更小而且更具时效性;其次针对传统深度学习方法的局限性问题,论文使用在图像等领域应用广泛的生成对抗...
【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】：80 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 国内外研究与现状
1.2.1 推荐算法的研究与现状
1.2.2 时间序列方法
1.2.3 生成对抗网络
1.3 本论文主要工作
1.4 本论文的结构安排
第二章 基础知识及相关概念
2.1 个性化推荐算法
2.1.1 基于内容的推荐算法
2.1.2 协同过滤
2.1.3 奇异值分解
2.2 时间序列
2.2.1 时间序列表示及方法
2.2.2 奇异值分解与时间序列
2.2.3 协同过滤与时间序列
2.3 生成对抗网络结构以及常用方法
2.3.1 生成对抗网络结构
2.3.2 前馈神经网络
2.3.3 生成对抗网络训练方法
2.4 重要概念及方法
2.4.1 随机梯度下降法
2.4.2 学习速率调优以及正则化
2.5 模型优化方法
2.5.1 过拟合与规范化
2.5.2 消失的梯度问题
2.6 本章小结
第三章 时间序列方法及实现
3.1 时间序列方法概述
3.2 融合时间信息的推荐算法研究与实现
3.2.1 融合时间信息的推荐算法实现
3.2.2 网络训练
3.2.3 与同类方法相比
3.3 本章小结
第四章 基于生成对抗网络的推荐方法
4.1 用于推荐算法的生成对抗模型
4.1.1 生成模型
4.1.2 鉴别模型
4.1.3 综合函数
4.1.4 修正梯度下降法
4.2 用于推荐系统的生成对抗网络的实现与测试
4.2.1 Tensorflow框架与Anaconda管理
4.2.2 生成对抗网络实现
4.2.3 网络训练
4.2.4 对比修正前GAN
4.3 本章小结
第五章 基于生成对抗网络混合时间序列的推荐方法
5.1 GAN中加入时间序列因素的可行性
5.2 改进的生成对抗网络模型
5.2.1 生成模型和鉴别模型的改进
5.2.2 评分函数的改进
5.3 训练网络
5.4 实验结果对比与分析
5.5 本章小结
第六章 基于时间信息的GAN模型的推荐系统设计与实现
6.1 推荐系统需求分析
6.2 系统总体设计
6.3 系统详细设计
6.3.1 数据流预处理
6.3.2 推荐算法模块
6.4 设计与实现细节
6.4.1 数据库搭建以及前后端连接
6.4.2 前端设计与实现
6.4.3 服务器端开发
6.5 系统测试与分析
6.5.1 系统主要界面与功能测试
6.5.2 系统的性能测试
6.5.3 系统的优缺点
6.6 本章小结
第七章 总结与展望
7.1 本论文的主要贡献
7.2 下一步工作的展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]Recommendation over time: a probabilistic model of time-aware recommender systems[J]. Zuoquan LIN,Hanxuan CHEN. Science China（Information Sciences）. 2019(11)
[2]个性化推荐系统概述[J]. 高凤丽,孙连山. 技术与市场. 2015(02)
[3]互联网传播中的长尾理论与小众传播[J]. 陈力丹,霍仟. 西南民族大学学报(人文社会科学版). 2013(04)
[4]L1正则化机器学习问题求解分析[J]. 孔康,汪群山,梁万路. 计算机工程. 2011(17)
[5]推荐算法综述[J]. 杨博,赵鹏飞. 山西大学学报(自然科学版). 2011(03)
[6]信息过载问题研究述评[J]. 蔺丰奇,刘益. 情报理论与实践. 2007(05)
[7]不确定性人工智能[J]. 李德毅,刘常昱,杜鹢,韩旭. 软件学报. 2004(11)
本文编号：3172677
【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】：80 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 国内外研究与现状
1.2.1 推荐算法的研究与现状
1.2.2 时间序列方法
1.2.3 生成对抗网络
1.3 本论文主要工作
1.4 本论文的结构安排
第二章 基础知识及相关概念
2.1 个性化推荐算法
2.1.1 基于内容的推荐算法
2.1.2 协同过滤
2.1.3 奇异值分解
2.2 时间序列
2.2.1 时间序列表示及方法
2.2.2 奇异值分解与时间序列
2.2.3 协同过滤与时间序列
2.3 生成对抗网络结构以及常用方法
2.3.1 生成对抗网络结构
2.3.2 前馈神经网络
2.3.3 生成对抗网络训练方法
2.4 重要概念及方法
2.4.1 随机梯度下降法
2.4.2 学习速率调优以及正则化
2.5 模型优化方法
2.5.1 过拟合与规范化
2.5.2 消失的梯度问题
2.6 本章小结
第三章 时间序列方法及实现
3.1 时间序列方法概述
3.2 融合时间信息的推荐算法研究与实现
3.2.1 融合时间信息的推荐算法实现
3.2.2 网络训练
3.2.3 与同类方法相比
3.3 本章小结
第四章 基于生成对抗网络的推荐方法
4.1 用于推荐算法的生成对抗模型
4.1.1 生成模型
4.1.2 鉴别模型
4.1.3 综合函数
4.1.4 修正梯度下降法
4.2 用于推荐系统的生成对抗网络的实现与测试
4.2.1 Tensorflow框架与Anaconda管理
4.2.2 生成对抗网络实现
4.2.3 网络训练
4.2.4 对比修正前GAN
4.3 本章小结
第五章 基于生成对抗网络混合时间序列的推荐方法
5.1 GAN中加入时间序列因素的可行性
5.2 改进的生成对抗网络模型
5.2.1 生成模型和鉴别模型的改进
5.2.2 评分函数的改进
5.3 训练网络
5.4 实验结果对比与分析
5.5 本章小结
第六章 基于时间信息的GAN模型的推荐系统设计与实现
6.1 推荐系统需求分析
6.2 系统总体设计
6.3 系统详细设计
6.3.1 数据流预处理
6.3.2 推荐算法模块
6.4 设计与实现细节
6.4.1 数据库搭建以及前后端连接
6.4.2 前端设计与实现
6.4.3 服务器端开发
6.5 系统测试与分析
6.5.1 系统主要界面与功能测试
6.5.2 系统的性能测试
6.5.3 系统的优缺点
6.6 本章小结
第七章 总结与展望
7.1 本论文的主要贡献
7.2 下一步工作的展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]Recommendation over time: a probabilistic model of time-aware recommender systems[J]. Zuoquan LIN,Hanxuan CHEN. Science China（Information Sciences）. 2019(11)
[2]个性化推荐系统概述[J]. 高凤丽,孙连山. 技术与市场. 2015(02)
[3]互联网传播中的长尾理论与小众传播[J]. 陈力丹,霍仟. 西南民族大学学报(人文社会科学版). 2013(04)
[4]L1正则化机器学习问题求解分析[J]. 孔康,汪群山,梁万路. 计算机工程. 2011(17)
[5]推荐算法综述[J]. 杨博,赵鹏飞. 山西大学学报(自然科学版). 2011(03)
[6]信息过载问题研究述评[J]. 蔺丰奇,刘益. 情报理论与实践. 2007(05)
[7]不确定性人工智能[J]. 李德毅,刘常昱,杜鹢,韩旭. 软件学报. 2004(11)
本文编号：3172677
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3172677.html
最近更新
教材专著
