基于深度学习的个性化电影推荐方法研究

发布时间：2021-06-02 22:16

　　观看网络电影是人们娱乐生活中的一部分,如何为用户提供满足其偏好的影片是各影视网站的重点研究内容,目前应用最广泛的推荐算法是协同过滤算法。近几年,随着深度学习技术的发展,将深度学习方法应用到推荐系统已成为当前研究热点之一。传统协同过滤算法存在数据稀疏问题。在目前推荐系统的研究中,一般采用混合推荐算法,主要的方法是将文本内容的特征填充到协同过滤算法中,以此来缓解数据稀疏问题。但在提取文本内容时大多研究采用传统的提取文本特征方法,只能对单个词进行分析计算,不能有效的结合句子中的上下文。本文提出采用深度学习模型Doc2vec来提取文本的特征,可以深度挖掘句子中的语义相关性。在文本内容特征填充的过程中,文本信息不存在或者文本内容不匹配时会影响混合推荐的准确性,因此文中还提出了融合图像、文本和评分信息的多模态推荐算法,其中图像特征的提取采用VGG网络模型。多模态电影推荐算法的实现是通过相似度融合算法将Doc2vec模型训练电影简介信息得到的电影间的相似度、VGG网络模型训练电影海报信息得到的电影间的相似度与Item-CF算法训练用户评分信息得到的电影间的相似度进行融合,并调节不同的融合参数得到最佳... 

【文章来源】：北方工业大学北京市

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

‘爱奇艺，电影网站中的推荐列表

一‘YouT’ube’视频网站中的推荐视频

图２－２?ＣＢ算法推荐过程??

【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Hadoop的维吾尔文文本分类[J]. 艾比布拉·阿不拉,马振,哈力旦·阿布都热依木,吴冰冰.  计算机工程与设计. 2018(08)
[3]学习资源智能标注系统的研究[J]. 周菊明,张良龙.  华夏教师. 2017(13)
[4]基于卷积神经网络的树叶识别的算法的研究[J]. 许振雷,杨瑞,王鑫春,应文豪.  电脑知识与技术. 2016(10)
[5]基于支持向量机回归多属性智能电视电影推荐[J]. 赵广杰,尹四清.  电视技术. 2015(06)
[6]一种基于网站聚合和语义知识的电影推荐方法[J]. 周文乐,朱明,陈天昊.  计算机工程. 2014(08)
[7]P2P环境下基于社会化标签的个性化推荐模型研究[J]. 赵艳,王亚民.  现代图书情报技术. 2014(05)
[8]论OPAC与搜索引擎的相互融合[J]. 洪林.  科技信息. 2013(22)
[9]一种有效缓解协同过滤推荐评价数据稀疏问题的算法[J]. 黄永锋,覃罗春.  东华大学学报(自然科学版). 2013(01)
[10]适应用户兴趣变化的协同过滤推荐算法[J]. 邢春晓,高凤荣,战思南,周立柱.  计算机研究与发展. 2007(02)

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Spark大数据处理的协同过滤推荐系统研究与实现[D]. 王娜.兰州大学 2017
[4]个性化推荐中协同过滤改进算法的研究[D]. 朱毅萌.东华大学 2017
[5]针对冷启动的分布式协同过滤推荐系统的研究[D]. 张琼林.湖南工业大学 2015
[6]基于上下文分析的多准则推荐方法研究[D]. 凡蕙铭.华南理工大学 2015



本文编号：3210850