联合深度模型的评分推荐算法研究
发布时间：2022-01-17 01:57
近年来,科技快速地发展使信息量出现爆炸式增长,导致用户很难找到自己想要的信息而出现“信息过载”的问题。推荐系统作为信息过滤的常用方法,是解决“信息过载”的一种有效方式。推荐系统的核心是推荐算法,它决定推荐系统的性能。协同过滤技术作为一种推荐算法现已应用于推荐系统中。但这类算法的有效性有限,只能学到用户和项目的浅层次特征,而无法学到深层次的特征表示,因此制约推荐算法的性能。此外,数据量太大会出现数据稀疏性问题,这也会影响推荐精度。深度学习技术应用于图像与语音等方面取得突破,原因是该方法能够通过深层次的非线性结构学习交互数据信息,这样就得到数据深层次表示特征。因此许多专家和学者提出一些利用深度学习的方法应用于推荐中。这样就能有效处理协同过滤算法及其扩展算法存在的缺陷,从而获得较好的推荐精度。但这些方法还存在挖掘隐含信息能力不足和数据稀疏性问题导致推荐结果并不是令人很满意。因此,本文对国内外的评分推荐的算法进行相关研究,在协同过滤的评分推荐算法研究上,重点对基于深度学习的评分推荐算法进行深入研究,包括挖掘隐含信息能力、信息利用、数据稀疏性和推荐精度等若干问题。本文的主要工作包括:1.本文对推...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
基于协同过滤的推荐算法Figure1.1Recommendationalgorithmbasedoncollaborativefiltering
第一章绪论6时用自身信息来获得更多的相对权重，即用户对项目(项目对用户)信息偏好信息。此外，我们利用双重学习机制，我们不仅从用户-项目中学习，还从项目-用户学习。使获取的信息更加准确。根据我们实验结果证明了DLSA算法具有较好的推荐效果。图1.2本文组织结构图Figure1.2Organizationalstructureofthisdissertation1.4本文组织结构本文有五个章节，如图1.2所示。其内容安排如下：第一章：绪论。简单阐述推荐算法的研究背景与意义、国内外专家与学者在评分推荐问题上的研究。对基于协同过滤的评分算法和基于深度学习的评分推荐算法研究现状进行概述。此外，重点介绍本文的主要研究工作。最后描述了本论文的整体组织结构。第二章：评分推荐算法概述。描述了推荐系统，评分推荐的定义与应用。详细介绍了基于协同过滤的推荐算法的概念及其几种常用评分算法。此外对基于深度学习的评分推荐的几种算法进行描述。最后对本文实验中使用到的数据集进行一般性描述。第三章：DeepHM评分推荐算法。该算法是基于WideandDeep模型提出一种深度混合评分推荐算法。本章首先介绍WideandDeep模型并指出算法存在的问题以及在应用于评分推荐中不适应性原因。其次，对DeepHM算法进行详细描述并明确DeepHM评分推荐算法与WideandDeep算法的区别。最后通过与对比算法在几个数据集上进行实
安徽大学硕士学位论文11（AutoEncoder，AE）、受限玻尔兹曼机（RBM）、多层感知机（Multi-LayerPerceptron，MLP）[23]和注意力（Attention）。Hiton等人提出了自动编码机概念，其思想是利用通过一个编码器和解码器来重构输入数据，常用于高维数据的降维处理和特征表示。自动编码机基本模型一般包括两个组成部分：一个编码器和一个解码器。编码器是将数据进行编码，而解码器的作用是将编码的数据进行还原。自动编码机一般包括一个输入层，一个隐层和一个输出层的三层结构，其基本示意图如图2.1所示。自动编码机的本质是使输入和输出尽量保持一致。此外，Strub等人[24]在自动编码机的基础上提出了基于协同过滤的两个栈式噪自动编码机(SDAE)算法，通过对用户与项目交互评分信息分别利用输入的向量表示，其次，对模型进行训练得到用户和项目的特征表示。最后根据训练完成的模型进行评分预测以获得较好的推荐效果。SDAE算法对评分数据中没有评分项目在模型训练过程中直接设置零，这样不但减少了网络连接数量提升算法计算速度，而且推荐精度上具有一定的提升。利用自动编码机能够获得不错的推荐效果。玻尔兹曼机[25]包括可见单元和隐藏单元，对应两类神经元变量，即神经元被抑制的状态制下是0，而被激活的状态下结果是1。这两种状态可相互转换，即0可变为1,1图2.1自动编码机结构示意图Figure2.1Autoencoderstructurediagram可变为0。虽然玻尔兹曼机的学习表示能力较强，但是运算量大且费时。在此外基础上故Hinton等人出了RBM算法。RBM是一个随机神经网络，即网络的神经元节点被激活的概率是随机的。它包含一个隐藏层和一个可视层。处在同一层位置各个神经元是独立存在，而在不同层之间它们是互相连接的，如图2.2所示。常用的RBM一般是是二
本文编号：3593824
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
基于协同过滤的推荐算法Figure1.1Recommendationalgorithmbasedoncollaborativefiltering
第一章绪论6时用自身信息来获得更多的相对权重，即用户对项目(项目对用户)信息偏好信息。此外，我们利用双重学习机制，我们不仅从用户-项目中学习，还从项目-用户学习。使获取的信息更加准确。根据我们实验结果证明了DLSA算法具有较好的推荐效果。图1.2本文组织结构图Figure1.2Organizationalstructureofthisdissertation1.4本文组织结构本文有五个章节，如图1.2所示。其内容安排如下：第一章：绪论。简单阐述推荐算法的研究背景与意义、国内外专家与学者在评分推荐问题上的研究。对基于协同过滤的评分算法和基于深度学习的评分推荐算法研究现状进行概述。此外，重点介绍本文的主要研究工作。最后描述了本论文的整体组织结构。第二章：评分推荐算法概述。描述了推荐系统，评分推荐的定义与应用。详细介绍了基于协同过滤的推荐算法的概念及其几种常用评分算法。此外对基于深度学习的评分推荐的几种算法进行描述。最后对本文实验中使用到的数据集进行一般性描述。第三章：DeepHM评分推荐算法。该算法是基于WideandDeep模型提出一种深度混合评分推荐算法。本章首先介绍WideandDeep模型并指出算法存在的问题以及在应用于评分推荐中不适应性原因。其次，对DeepHM算法进行详细描述并明确DeepHM评分推荐算法与WideandDeep算法的区别。最后通过与对比算法在几个数据集上进行实
安徽大学硕士学位论文11（AutoEncoder，AE）、受限玻尔兹曼机（RBM）、多层感知机（Multi-LayerPerceptron，MLP）[23]和注意力（Attention）。Hiton等人提出了自动编码机概念，其思想是利用通过一个编码器和解码器来重构输入数据，常用于高维数据的降维处理和特征表示。自动编码机基本模型一般包括两个组成部分：一个编码器和一个解码器。编码器是将数据进行编码，而解码器的作用是将编码的数据进行还原。自动编码机一般包括一个输入层，一个隐层和一个输出层的三层结构，其基本示意图如图2.1所示。自动编码机的本质是使输入和输出尽量保持一致。此外，Strub等人[24]在自动编码机的基础上提出了基于协同过滤的两个栈式噪自动编码机(SDAE)算法，通过对用户与项目交互评分信息分别利用输入的向量表示，其次，对模型进行训练得到用户和项目的特征表示。最后根据训练完成的模型进行评分预测以获得较好的推荐效果。SDAE算法对评分数据中没有评分项目在模型训练过程中直接设置零，这样不但减少了网络连接数量提升算法计算速度，而且推荐精度上具有一定的提升。利用自动编码机能够获得不错的推荐效果。玻尔兹曼机[25]包括可见单元和隐藏单元，对应两类神经元变量，即神经元被抑制的状态制下是0，而被激活的状态下结果是1。这两种状态可相互转换，即0可变为1,1图2.1自动编码机结构示意图Figure2.1Autoencoderstructurediagram可变为0。虽然玻尔兹曼机的学习表示能力较强，但是运算量大且费时。在此外基础上故Hinton等人出了RBM算法。RBM是一个随机神经网络，即网络的神经元节点被激活的概率是随机的。它包含一个隐藏层和一个可视层。处在同一层位置各个神经元是独立存在，而在不同层之间它们是互相连接的，如图2.2所示。常用的RBM一般是是二
本文编号：3593824
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3593824.html
最近更新
教材专著
