基于深度学习的混合协同过滤推荐算法的研究与应用

发布时间：2021-12-24 15:20

　　互联网技术的飞速发展极大地改变民众的生活,与此同时也带来数据规模的激增,提高用户准确快速地找到目标信息的难度。搜索引擎在一定程度上缓解了“信息过载”的问题,但是依旧无法满足民众变幻无常的需求,因此便产生推荐系统。推荐系统已普遍应用于各行各业,一个好的推荐算法可以极大地提高企业的收入,提升用户的满意度。然而,现有的推荐算法饱受数据稀疏性、冷启动、推荐的解释性等问题的困扰,导致推荐精度较低,用户体验度较差。随着深度学习技术的蓬勃发展,将推荐算法与深度学习技术融合解决上述问题成为新的发展趋势。本文针对冷启动问题与数据稀疏性问题,综合分析现有研究的不足,并尝试将深度学习与协同过滤相结合进行混合推荐,充分利用物品属性、评论文本等辅助信息,以缓解上述问题带来的精度下降现象。本文的主要研究工作如下:（1）提出一种面向完全冷启动的深度混合协同过滤推荐算法。该算法设计一种将机器学习与协同过滤结合的通用框架,为充分挖掘物品属性,使用深度降噪自编码器学习物品的隐特征,替换物品因子。针对冷启动特性,根据学习到的隐特征,引入安全的S4VM算法初步预测新物品的评分,结合改进的考虑时间因素与实际情形的LFM模型,最... 

【文章来源】：江苏大学江苏省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

京东“专属”推荐Fig1.2ExclusiverecommendationofJD据国外媒体VentureBeat统计，亚马逊在2003年提升了约35%的收入，这全归功于

图 1.3 CDL 模型图Fig1.3 CDL model diagramDL 模型的出现瞬间吸引了众多关注，成为大量研究者改进与比较的基准。内，作者通过词袋模型 BoW（Bag-of-Words）表示物品的辅助信息，该模单词来表达文本，无法挖掘出各词语之间的顺序隐含的重要信息，因此，编码解码阶段，借鉴循环神经网络[24]的思想，改进 SDAE 模型变成协同循

图 2.3 矩阵分解原理图Fig2.3 Schematic diagram of matrix factorization知，原始的二维评分矩阵 R，被分解成了用户隐含特征矩阵，其中 R 是 M*N 维，U 是 N*T 维，V 是 T*M 维。假设 pu代表，qv代表音乐 v 与用户之间的关系，则用户对音乐的评分 ru,v,Tu v u vr p q 2.1 可知，只需要学习到用户和物品的隐含因子，就可以根据评分，从而进行推荐。学习的推荐算法

【参考文献】：
期刊论文
[1]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)
[2]推荐系统冷启动问题解决策略研究[J]. 乔雨,李玲娟.  计算机技术与发展. 2018(02)
[3]安全的半监督方法的协同过滤推荐算法[J]. 王玉业,陈健美.  计算机工程与应用. 2018(08)
[4]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[5]个性化推荐算法研究[J]. 陈洁敏,汤庸,李建国,蔡奕彬.  华南师范大学学报(自然科学版). 2014(05)

博士论文
[1]半监督支持向量机学习方法的研究[D]. 李宇峰.南京大学 2013

硕士论文
[1]基于深度学习的推荐系统研究[D]. 陈达.北京邮电大学 2014



本文编号：3550725