基于深度学习的个性化推荐研究与应用

发布时间：2021-12-11 22:21

　　随着信息技术的发展,信息过载问题严重,用户需要耗费大量的时间和精力寻找满足需求的信息,信息生产者绞尽脑汁为用户提供的推荐信息难以获得用户的青睐,用户体验差。如何从海量数据中快速精准地筛选出满足用户需求的信息便是一件极富挑战性的任务。推荐系统的迅猛发展为解决这些问题提供了可能。推荐算法常借鉴机器学习、深度学习领域的方法,获得了快速发展,同时也促进了其他领域的发展。本文对推荐算法及应用进行研究,将增量式频繁模式挖掘算法EFUFP（Efficient Fast Updated Frequent Pattern Tree Algorithm）与深度学习模型WDL（Wide and Deep Learning）相融合,提供自动化交叉特征的学习。并将特征间的结构学习引入到WDL模型中,建立一个混合推荐算法FWDL（Frequent Wide and Deep Learning）模型,在此基础上构建一个医疗健康知识推荐系统,为用户提供医疗健康相关知识的个性化推荐服务,节省其获取有效信息的时间。为了达到该目标,本文主要内容如下:1.分析了推荐算法及频繁模式挖掘算法的发展现状,探究了深度学习在推荐领域的... 

【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】：81 页

【学位级别】：硕士

【部分图文】：

图２－１?ＦＰ－ＧＲＯＷＴＨ算法流程國??１．初始化频繁模式树：ＦＰ－ＴＲＥＥ的初始化允许共用具有相同前缀的树路径，??以此控制整棵树的规模

繁??图２－２数据划分示意图??图２－２中，５为原始数据集，Ａ为新增数据集，是合并后的数据集，??针对＆、Ｓ２１?５３、５４四个部分数据项，做如下分析：??１．?＆中的元素在Ｓ和４中都为频繁元素，因此在＆中的元素仍为频繁元素。??２．?Ｓ２中的元素在Ｓ中是频繁元素，在４中是非频繁的，因此在Ｓ２中的元素可??能由频繁降为非频繁。??３．?Ｓ３中的元素在Ｓ中是非频繁元素，在４中是频繁的，因此在馬中的元素可??能由非频繁升为频繁。??４．?中的元素在￡）和ＪＶ中都为非频繁元素，因此在中的元素仍为非频繁元??素：。因：此，更新时无需考虑５４中的元素??更新操作如下：??＿１．针对Ｓ＃的元素，需要相应地调整频繁树节点及头指针表元素的频度。．??２．针对馬中的元素

?ｂ４??繁??图２－２数据划分示意图??图２－２中，５为原始数据集，Ａ为新增数据集，是合并后的数据集，??针对＆、Ｓ２１?５３、５４四个部分数据项，做如下分析：??１．?＆中的元素在Ｓ和４中都为频繁元素，因此在＆中的元素仍为频繁元素。??２．?Ｓ２中的元素在Ｓ中是频繁元素，在４中是非频繁的，因此在Ｓ２中的元素可??能由频繁降为非频繁。??３．?Ｓ３中的元素在Ｓ中是非频繁元素，在４中是频繁的，因此在馬中的元素可??能由非频繁升为频繁。??４．?中的元素在￡）和ＪＶ中都为非频繁元素，因此在中的元素仍为非频繁元??素：。因：此，更新时无需考虑５４中的元素??更新操作如下：??＿１．针对Ｓ＃的元素

【参考文献】：
期刊论文
[1]基于改进的宽深度模型的推荐方法研究[J]. 王艺平,冯旭鹏,刘利军,黄青松.  计算机应用与软件. 2018(11)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[3]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华.  软件学报. 2015(06)



本文编号：3535505