基于自编码器的神经协同过滤推荐算法研究
发布时间：2021-05-25 10:59
近年来,随着互联网技术的不断发展,信息数据的总量与复杂度在飞速增加,信息过载已成为社会所面临的核心问题。推荐算法作为解决信息过载的重要方法,一直是学术界与工业界研究的焦点领域。传统的推荐算法大多是面向显式反馈而设计,由于隐式反馈数据的自身缺陷,面向隐式反馈的推荐算法效果并不理想。随着深度学习技术的愈加成熟,将神经网络与推荐算法相结合已成为推荐算法研究的热点。神经协同过滤模型是其中的代表性工作之一。该模型通过神经网络克服了隐式反馈数据的缺陷,得到了较好的推荐结果。然而神经协同过滤存在以下不足:在数据处理阶段模型生成的隐向量携带的有效信息较少,不能很好的代表用户与项目的本质属性;该模型使用参数量较多的多层感知机神经网络,模型收敛时间较长,不适合对时效性要求较高的推荐场景。1)针对神经协同过滤模型生成隐向量携带有效信息较少的问题,本文提出了基于变分自编码器的神经协同过滤模型,模型使用变分自编码器生成用户与项目的隐向量。相较于神经协同过滤简单的将用户与项目的ID数据通过独热编码生成隐向量的方式,变分自编码器使用用户历史行为记录生成稳定性的随机变量分布函数,有效地去除了隐式反馈数的数据噪音与数据...
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 传统推荐算法研究现状
1.2.2 面向隐式反馈推荐算法研究现状
1.2.3 基于深度学习推荐算法研究现状
1.3 本文研究内容
1.4 本文组织架构
第2章 推荐算法相关技术研究
2.1 推荐系统概述
2.1.1 推荐系统直观背景与定义
2.1.2 推荐系统抽象模型
2.2 协同过滤推荐算法
2.2.1 基于用户协同过滤算法
2.2.2 基于项目协同过滤算法
2.2.3 基于模型协同过滤算法
2.3 基于深度学习的推荐算法
2.3.1 自编码器在推荐算法中的应用
2.3.2 多层感知机在推荐算法中的应用
2.4 推荐算法评估指标
2.4.1 预测评分准确性
2.4.2 预测分类准确性
2.4.3 归一化折损累计增益
2.5 本章小结
第3章 基于变分自编码器的神经协同过滤模型
3.1 隐式反馈数据特性及相关推荐算法
3.1.1 隐式反馈推荐场景建模
3.1.2 隐式反馈数据特性
3.1.3 隐式反馈推荐算法
3.2 VAE-NCF模型框架
3.2.1 VAE-NCF模型结构概述
3.2.2 VAE-NCF模型算法流程
3.3 特征向量生成模块
3.3.1 变分自编码器直观背景
3.3.2 变分自编码器模型求解方法
3.3.3 特征向量生成步骤
3.4 特征提取模块
3.4.1 改进的NCF模型结构
3.4.2 模型时间复杂度
3.5 实验结果分析
3.5.1 硬件环境及数据集
3.5.2 评估方式
3.5.3 对比模型
3.5.4 模型超参数
3.5.5 实验结果与分析
3.6 本章小结
第4章 基于降噪自编码器的卷积神经协同过滤模型
4.1 DAE-CNCF模型整体框架
4.1.1 DAE-CNCF模型结构概述
4.1.2 DAE-CNCF模型算法流程
4.2 特征向量生成模块
4.2.1 降噪自编码器模型训练
4.2.2 特征向量生成
4.3 特征提取模块
4.3.1 CNCF网络模型结构
4.3.2 CNCF模型特点
4.4 实验结果与分析
4.4.1 硬件环境及数据集
4.4.2 对比模型
4.4.3 模型超参数
4.4.4 实验结果与分析
4.5 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢
【参考文献】：
期刊论文
[1]A Novel Deep Hybrid Recommender System Based on Auto-encoder with Neural Collaborative Filtering[J]. Yu Liu,Shuai Wang,M.Shahrukh Khan,Jieyu He. Big Data Mining and Analytics. 2018(03)
[2]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[3]基于大规模隐式反馈的个性化推荐[J]. 印鉴,王智圣,李琪,苏伟杰. 软件学报. 2014(09)
[4]改进的单类协同过滤推荐方法[J]. 王鹏,景丽萍. 计算机科学与探索. 2014(10)
[5]基于领域知识的个性化推荐算法研究[J]. 张丙奇. 计算机工程. 2005(21)
硕士论文
[1]基于高斯混合模型的变分自动编码器[D]. 李鹏.哈尔滨工业大学 2017
[2]基于异构用户反馈数据的协同过滤算法研究[D]. 钟豪.浙江大学 2015
本文编号：3205218
【文章来源】：北京工业大学北京市 211工程院校
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 传统推荐算法研究现状
1.2.2 面向隐式反馈推荐算法研究现状
1.2.3 基于深度学习推荐算法研究现状
1.3 本文研究内容
1.4 本文组织架构
第2章 推荐算法相关技术研究
2.1 推荐系统概述
2.1.1 推荐系统直观背景与定义
2.1.2 推荐系统抽象模型
2.2 协同过滤推荐算法
2.2.1 基于用户协同过滤算法
2.2.2 基于项目协同过滤算法
2.2.3 基于模型协同过滤算法
2.3 基于深度学习的推荐算法
2.3.1 自编码器在推荐算法中的应用
2.3.2 多层感知机在推荐算法中的应用
2.4 推荐算法评估指标
2.4.1 预测评分准确性
2.4.2 预测分类准确性
2.4.3 归一化折损累计增益
2.5 本章小结
第3章 基于变分自编码器的神经协同过滤模型
3.1 隐式反馈数据特性及相关推荐算法
3.1.1 隐式反馈推荐场景建模
3.1.2 隐式反馈数据特性
3.1.3 隐式反馈推荐算法
3.2 VAE-NCF模型框架
3.2.1 VAE-NCF模型结构概述
3.2.2 VAE-NCF模型算法流程
3.3 特征向量生成模块
3.3.1 变分自编码器直观背景
3.3.2 变分自编码器模型求解方法
3.3.3 特征向量生成步骤
3.4 特征提取模块
3.4.1 改进的NCF模型结构
3.4.2 模型时间复杂度
3.5 实验结果分析
3.5.1 硬件环境及数据集
3.5.2 评估方式
3.5.3 对比模型
3.5.4 模型超参数
3.5.5 实验结果与分析
3.6 本章小结
第4章 基于降噪自编码器的卷积神经协同过滤模型
4.1 DAE-CNCF模型整体框架
4.1.1 DAE-CNCF模型结构概述
4.1.2 DAE-CNCF模型算法流程
4.2 特征向量生成模块
4.2.1 降噪自编码器模型训练
4.2.2 特征向量生成
4.3 特征提取模块
4.3.1 CNCF网络模型结构
4.3.2 CNCF模型特点
4.4 实验结果与分析
4.4.1 硬件环境及数据集
4.4.2 对比模型
4.4.3 模型超参数
4.4.4 实验结果与分析
4.5 本章小结
结论
参考文献
攻读硕士学位期间所发表的学术论文
致谢
【参考文献】：
期刊论文
[1]A Novel Deep Hybrid Recommender System Based on Auto-encoder with Neural Collaborative Filtering[J]. Yu Liu,Shuai Wang,M.Shahrukh Khan,Jieyu He. Big Data Mining and Analytics. 2018(03)
[2]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[3]基于大规模隐式反馈的个性化推荐[J]. 印鉴,王智圣,李琪,苏伟杰. 软件学报. 2014(09)
[4]改进的单类协同过滤推荐方法[J]. 王鹏,景丽萍. 计算机科学与探索. 2014(10)
[5]基于领域知识的个性化推荐算法研究[J]. 张丙奇. 计算机工程. 2005(21)
硕士论文
[1]基于高斯混合模型的变分自动编码器[D]. 李鹏.哈尔滨工业大学 2017
[2]基于异构用户反馈数据的协同过滤算法研究[D]. 钟豪.浙江大学 2015
本文编号：3205218
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3205218.html
最近更新
教材专著
