基于二值化网络的推荐系统的研究
发布时间：2021-09-17 18:18
迅猛发展的互联网资源致使用户可随意获取海量的媒体、文档信息以及服务等,与此同时,资源的快速增长也导致了资源过载的问题。用户在拥有着庞大信息数据资源的同时,却也深陷于难以发现真正感兴趣的内容的窘境。在这种情况下,由信息过滤演变成的推荐系统就显得尤为重要,它可以帮助人们发现感兴趣的项目,例如电影,书,新闻,图片或者网页等。然而,随着人们需求的逐渐增长,用户越来越依赖对其独特偏好进行个性化定制的推荐系统。诸如此类的推荐系统通常都需要记录和分析计算大量的用户行为数据,然而随着用户数量逐渐增大,需要记录的行为数据越来越多,传统的推荐算法不仅在物理存储上承受着巨大压力,无法实时高效地处理数据量较大的数据集等问题,且在用户信息较为稀疏的数据集下表现欠佳。近期,研究人员发现仅仅基于谁评价了什么来记录用户行为的二值化推荐系统,而非基于实际评分的推荐系统能不仅能在一定程度上缓解存储压力,还能得到更准确的推荐结果并且具有更强的鲁棒性,因此研究并实现一个基于二值化的推荐系统具有重大意义。本文深入研究并分析了当前推荐系统的现状,对推荐系统的概念、原理、目前主流的推荐算法以及常用的评价指标做了深入的了解,归纳了各...
【文章来源】：昆明理工大学云南省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．４卷积神经网络的层级结构图??１５??
昆明理工大学专业硕士学位论文???开始???￡???对数据进行二值化??预处理??ｈ—????★??将样本数据输入卷积??神含綱铬???＾???计算输出预测结果和样本??中实际结果的误差??否?Ｉ￣＾??＜ｒ?达到训练结束条件反珣调整误差??输入待推荐用户信息进行??椎荐预测????３?［???＾?ｗ?＞??结束??图３．?１?ＢＣＮＮ模型推荐算法的流程图??３．?３二值化??本文首先对数据集中非文本数据进行正则化处理，正则化的目的是在一开始模型并不??知道哪个特征会对最终的推荐结果造成多大的影响。以电影数据为例，当观看次数达到十??万次时，而它却只有十条评论，这种时候评论数与观看次数相对比就显得极其不协调，而??ｍ在进行推荐预测时就会忽略评论数这个特征。然而正则化后的数据，所有的特征值最终??都映射到［０，１］区间，系统在进行推荐时，整个模型对它们的基本权重都是一样的，从而增??加了每个特征在系统中的可靠性，这样进行的推荐更符合常理。正则化公式如３．６所示：??，＝?Ｘｊ?－ｍｉｎ｛ｘ１，ｘ２，?．．．，ｘｎ｝??（３?ｇ）??Ｘｌ?ｍａｘｈ，?ｘ２，…，ｘｎ｝?—?ｍｉｎｆｘｐ?ｘ２，…，ｘｎ｝??式中ｆ?ｗ为样本总个数，＆为第／个样本。属性特征原始数据如图３．２所示，正则化处理后??２２??
昆明＿３｜犬＃＃舰硕＿隹论｜：???将数据正则化后，本文采用阈值二值化方法将数据分为两类，阈值，二值化方法主要分??为确定性二值化和随机二植化两种［５４］：??（１）确定二值化：按照公式（３．７）将实值转化成二进制位：??ｘ，?＝?ｓｉｇｎ（ｘ）?＝?Ｈ?ｌ＾ｈｅＸｒ＾ｓＡｅ［?（３．７）??其中是二进制变量，ｘ是实值变暈，Ａ为特定阈值。??（２）随机二值化：按照公式（３．８）将实值转化成二进制位：??Ｘｆｃ＝ｆ？?Ｐ?＝?ａ（ｘ），?（３．８）??ｂ?Ｕ?１?－?ｐ．??其中ｐ为界定Ｘ的一个概率阈值，Ｅ??ａ（ｘ）?＝?ｃｌｉｐ（—－—，０，１）?＝?ｍａｘ?（０，?ｍｉｎ?（１，?—－—））?（３．９）??由于公式３．８的方法需要使用到硬件产生随机数，进行计算时无论是在软件和硬件上??花费较多成本，而第一种方法是线性分段的，能对应连续又有界的形式，因此本文利用公??式３．７进行二值化处理。本文中特定阈值Ｘ取值为该类属性正则化后的算术平均值《二值??化处理后的数据如图３．４所示：??１？ｅ：?１—??图３．?４二值化处理后的数据??２４??
【参考文献】：
期刊论文
[1]改进的Dropout正则化卷积神经网络[J]. 满凤环,陈秀宏,何佳佳. 传感器与微系统. 2018(04)
[2]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]计算机多媒体技术的应用现状与发展前景[J]. 严玲. 新媒体研究. 2015(11)
[5]一种解决稀疏数据和冷启动问题的组合推荐方法[J]. 郭晓波,赵书良,牛东攀,王长宾,逄焕利. 中国科学技术大学学报. 2015(10)
[6]基于用户兴趣的个性化信息检索方法研究[J]. 张一洲. 现代情报. 2015(06)
[7]基于用户近邻约束的矩阵因子分解算法[J]. 查九,李振博,徐桂琼. 计算机技术与发展. 2015(06)
[8]基于用户属性和评分的协同过滤推荐算法[J]. 丁少衡,姬东鸿,王路路. 计算机工程与设计. 2015(02)
[9]人工神经网络的发展与应用[J]. 邢广成,强天伟. 科技风. 2012(15)
[10]人工智能及其发展应用[J]. 邹蕾,张先锋. 信息网络安全. 2012(02)
硕士论文
[1]基于用户与物品信息挖掘的矩阵分解推荐算法研究[D]. 王东.西安电子科技大学 2017
[2]个性化推荐系统对消费者购买意愿的影响研究[D]. 付晓悦.河南财经政法大学 2016
[3]我国搜索引擎市场发展趋势与策略研究[D]. 杨成宝.山东大学 2011
[4]关联分析技术在搜索引擎营销中的应用研究[D]. 郝树魁.北京邮电大学 2011
本文编号：3399260
【文章来源】：昆明理工大学云南省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图２．４卷积神经网络的层级结构图??１５??
昆明理工大学专业硕士学位论文???开始???￡???对数据进行二值化??预处理??ｈ—????★??将样本数据输入卷积??神含綱铬???＾???计算输出预测结果和样本??中实际结果的误差??否?Ｉ￣＾??＜ｒ?达到训练结束条件反珣调整误差??输入待推荐用户信息进行??椎荐预测????３?［???＾?ｗ?＞??结束??图３．?１?ＢＣＮＮ模型推荐算法的流程图??３．?３二值化??本文首先对数据集中非文本数据进行正则化处理，正则化的目的是在一开始模型并不??知道哪个特征会对最终的推荐结果造成多大的影响。以电影数据为例，当观看次数达到十??万次时，而它却只有十条评论，这种时候评论数与观看次数相对比就显得极其不协调，而??ｍ在进行推荐预测时就会忽略评论数这个特征。然而正则化后的数据，所有的特征值最终??都映射到［０，１］区间，系统在进行推荐时，整个模型对它们的基本权重都是一样的，从而增??加了每个特征在系统中的可靠性，这样进行的推荐更符合常理。正则化公式如３．６所示：??，＝?Ｘｊ?－ｍｉｎ｛ｘ１，ｘ２，?．．．，ｘｎ｝??（３?ｇ）??Ｘｌ?ｍａｘｈ，?ｘ２，…，ｘｎ｝?—?ｍｉｎｆｘｐ?ｘ２，…，ｘｎ｝??式中ｆ?ｗ为样本总个数，＆为第／个样本。属性特征原始数据如图３．２所示，正则化处理后??２２??
昆明＿３｜犬＃＃舰硕＿隹论｜：???将数据正则化后，本文采用阈值二值化方法将数据分为两类，阈值，二值化方法主要分??为确定性二值化和随机二植化两种［５４］：??（１）确定二值化：按照公式（３．７）将实值转化成二进制位：??ｘ，?＝?ｓｉｇｎ（ｘ）?＝?Ｈ?ｌ＾ｈｅＸｒ＾ｓＡｅ［?（３．７）??其中是二进制变量，ｘ是实值变暈，Ａ为特定阈值。??（２）随机二值化：按照公式（３．８）将实值转化成二进制位：??Ｘｆｃ＝ｆ？?Ｐ?＝?ａ（ｘ），?（３．８）??ｂ?Ｕ?１?－?ｐ．??其中ｐ为界定Ｘ的一个概率阈值，Ｅ??ａ（ｘ）?＝?ｃｌｉｐ（—－—，０，１）?＝?ｍａｘ?（０，?ｍｉｎ?（１，?—－—））?（３．９）??由于公式３．８的方法需要使用到硬件产生随机数，进行计算时无论是在软件和硬件上??花费较多成本，而第一种方法是线性分段的，能对应连续又有界的形式，因此本文利用公??式３．７进行二值化处理。本文中特定阈值Ｘ取值为该类属性正则化后的算术平均值《二值??化处理后的数据如图３．４所示：??１？ｅ：?１—??图３．?４二值化处理后的数据??２４??
【参考文献】：
期刊论文
[1]改进的Dropout正则化卷积神经网络[J]. 满凤环,陈秀宏,何佳佳. 传感器与微系统. 2018(04)
[2]协同过滤推荐算法研究进展[J]. 翁小兰,王志坚. 计算机工程与应用. 2018(01)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]计算机多媒体技术的应用现状与发展前景[J]. 严玲. 新媒体研究. 2015(11)
[5]一种解决稀疏数据和冷启动问题的组合推荐方法[J]. 郭晓波,赵书良,牛东攀,王长宾,逄焕利. 中国科学技术大学学报. 2015(10)
[6]基于用户兴趣的个性化信息检索方法研究[J]. 张一洲. 现代情报. 2015(06)
[7]基于用户近邻约束的矩阵因子分解算法[J]. 查九,李振博,徐桂琼. 计算机技术与发展. 2015(06)
[8]基于用户属性和评分的协同过滤推荐算法[J]. 丁少衡,姬东鸿,王路路. 计算机工程与设计. 2015(02)
[9]人工神经网络的发展与应用[J]. 邢广成,强天伟. 科技风. 2012(15)
[10]人工智能及其发展应用[J]. 邹蕾,张先锋. 信息网络安全. 2012(02)
硕士论文
[1]基于用户与物品信息挖掘的矩阵分解推荐算法研究[D]. 王东.西安电子科技大学 2017
[2]个性化推荐系统对消费者购买意愿的影响研究[D]. 付晓悦.河南财经政法大学 2016
[3]我国搜索引擎市场发展趋势与策略研究[D]. 杨成宝.山东大学 2011
[4]关联分析技术在搜索引擎营销中的应用研究[D]. 郝树魁.北京邮电大学 2011
本文编号：3399260
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3399260.html
最近更新
教材专著
