深度协同过滤算法在推荐系统中的研究与应用

发布时间：2021-08-15 11:25

　　互联网的快速发展积累了海量的数据和产品信息,导致了信息过载问题。而个性化推荐日益成为克服信息过载问题的关键解决方案,被诸多新闻媒介和电子商务网站所采用。在当前个性化推荐方法中,基于模型的协同过滤算法因其工程实现简单且通用性强等优点而被广泛采用。但是目前基于传统机器学习模型的协同过滤算法会面临特征提取不充分的问题,推荐准确率往往受到制约。针对这样的问题,本文以电影推荐为例,设计一个基于深度协同过滤的个性化推荐系统,主要的工作如下:一是本文在原始数据集中额外增加了电影简介和以往观众评论中所包含的文本信息来丰富特征空间。首先通过Python爬虫技术得到系统设计需要的文本信息,再借助Word2Vec方法将文本映射为向量表示,然后将向量化的文本信息与电影本身的属性信息融合为系统所需的数据集。二是本文设计了一种深度协同过滤推荐算法（ConvMF-DenseNet）,该算法采用深度学习方法中的卷积神经网络作为新的特征提取器,首先将数据集中的特征信息经过数据预处理转换之后,再通过卷积神经网络进行深层次的特征提取,最后将提取到的特征利用传统的协同过滤算法向用户进行推荐。此方法利用深度学习长于数据特征提取... 

【文章来源】：郑州大学河南省 211工程院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图1.1个性化推荐模型

图 1.2 我国推荐系统发表情况趋势图近几年，个性化推荐系统应用在国内大型公司开始投入使用。推荐系统应广泛应用于电子商务市场，该市场可以根据用户的浏览记录、收藏情况、停间、购买记录、个人信息等信息为用户提供个性化推荐，通过推荐系统应用

图 2.2 卷积神经网络结构图卷积神经网络模型的基本流程如下表：表 2.2 卷积神经网络模型的基本流程层次结构 操作方法数据输入层 1、经过去均值和归一化处理后的数据集

【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]融合似然比相似度的协同过滤推荐算法研究[J]. 王嵘冰,徐红艳,冯勇,郭浩.  小型微型计算机系统. 2018(07)
[3]基于自动编码器组合的深度学习优化方法[J]. 邓俊锋,张晓龙.  计算机应用. 2016(03)
[4]基于显式与隐式反馈信息的概率矩阵分解推荐[J]. 王东,陈志,岳文静,高翔,王峰.  计算机应用. 2015(09)
[5]不确定近邻的协同过滤推荐算法[J]. 黄创光,印鉴,汪静,刘玉葆,王甲海.  计算机学报. 2010(08)
[6]基于综合用户信息的用户兴趣建模研究[J]. 邵秀丽,乜聚科,侯乐彩,田振雷.  南开大学学报(自然科学版). 2009(03)

博士论文
[1]基于协同过滤视角的受限玻尔兹曼机研究[D]. 罗恒.上海交通大学 2011

硕士论文
[1]基于用户评论和评分的协同过滤算法研究[D]. 董晨露.北京交通大学 2018
[2]协同过滤算法在推荐系统中的应用与研究[D]. 付国文.电子科技大学 2018
[3]面向移动终端的新闻推荐系统的研究与实现[D]. 冯晨.华北电力大学(北京) 2016
[4]基于混合模型的商品购买预测[D]. 成文辉.东南大学 2015
[5]基于分类的推荐系统优化方法研究[D]. 朱洪青.华中科技大学 2014
[6]基于文本聚类的特征选择算法研究[D]. 樊东辉.西北师范大学 2012



本文编号：3344458