基于深度学习的个性化推荐算法研究
发布时间：2022-01-28 00:38
线上娱乐和线上购物等互联网应用的快速发展,丰富了人们娱乐生活,然而用户也需要花费大量的时间和精力在海量信息中寻找自己感兴趣的内容,为此推荐算法应运而生。随着用户互动的增多、产品信息的完善,造成数据体量的迅速增大、数据稀疏性急剧增加,传统的推荐系统因为无法充分提取用户和项目的特征,同时也无法充分挖掘用户和产品之间的内在联系,导致推荐效果并不理想。深度学习具有强大的学习能力,可以从海量样本数据源学习到本质特征,同时具有良好的可移植性,所以越来越多的学者将它运用到推荐系统领域。卷积神经网络是深度学习领域中应用最普遍也是最卓有成效的一种神经网络,它可以对文本信息特征进行深度挖掘与分析,进而对用户特征进行了很好的分类,近年来也被逐步应用到推荐领域中。但现有的研究在信息输入端对信息特征的处理还不够充分,比如在信息输入端对用户画像、用户行为、产品属性等非用户评分数据未进行深层次分类处理研究,同时对特征融合层的研究存在不足。针对上述问题,本文对推荐算法的特征提取进行了深入研究,提出以下改进:1、针对推荐系统存在用户和项目信息提取不充分的问题,通过将用户和项目的辅助信息划分为浅层语义信息和深层语义信息,...
【文章来源】：北方工业大学北京市
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
全球数据总量趋势图
第一章绪论2或者计算项目与项目之间的相似度，来给具有相似兴趣点的用户之间互相推荐项目，又或是给用户推荐感兴趣的项目。推荐系统的出现，带给了用户极佳体验的同时，给电子商户带来了丰厚的盈利回报。图1-2微博热门榜单推荐当前，推荐系统已广泛应用在各种领域，如美团外卖、百度外卖等线上餐饮行业，如携程、马蜂窝等旅游平台；如阿里巴巴、亚马逊等线上购物平台，如网易云音乐、QQ音乐等音乐平台。推荐系统的应用带给我们丰富的线上体验的同时，也影响着我们生活的各个方面。主流的推荐算法可以分为基于流行度的推荐算法、协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。基于流行度的推荐算法[1]较为简单，它是通过选取用户点击率高的信息进行排序，接着选取前N个热点进行推荐，图1-2是微博一个热门榜单推荐，该算法虽然简单，但由于不具有针对性，所以推荐效果不佳；协同过滤推荐系统[2]分为基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤，协同过滤是一种“集体智慧”的体现，这种“集体智慧”是通过在用户和项目之间建立一种关系网实现的，这种关系网通常为用户评分矩阵，比如在一群用户中找到与目标用户兴趣偏好相似的用户，这就需要计算目标用户的项目评分矩阵与需要计算的用户项目评分矩阵的相似度，从而筛选出最相似的那部分用户，给予推荐，协同过滤推荐算法可以解决一些难以进行内容分析的项目，如音乐、艺术等，也可以解决一些用户从未接触过的东西，即长尾效应问题（Longtaileffect）,但由于比较依赖用户评分矩阵，对数据稀疏性问题、冷启动问题表现不佳，数据稀疏性问题即用户与项目之间存在部分项目没有进行任何交互行为或
级联式等方式整合多种推荐算法来进行推荐，如网易云音乐等，这种采取众多推荐算法结合的方式，虽然可以弥补各自推荐算法的缺点，但也存在针对性不强和模型的复杂度递增。传统的推荐算法不能有效的解决数据稀疏的问题，这就需要有一种能够学习到用户特征，能够抓住用户和项目之间的内在联系，从而抓住用户的兴趣点，给予恰到好处的推荐。深度学习技术能够从异构多源且丰富的用户行为数据和项目信息中自主学习到深层次的特征表示，其强大的特征学习能力解决了传统的推荐算法所遇到的问题，因此得到了越来越多学者的关注。图1-3YouTube基于深度学习的视频推荐自1986年，由Hinton等提出快速计算受限玻耳兹曼机(RBM)[5]之后，深度学习得到了广泛的研究，在图像领域[6]、音频领域[7]、自然语言领域[8]等取得了突破性的进展。由于深度学习模型具有普适性的优点，所以有大量学者引入了深度学习的思想，给推荐系统领域的研究注入了新的活力，图1-3是YouTube基于深度学习的视频推荐。虽然深度学习在推荐系统领域已取得了初步成效，但远远没有达到在其他领域取得的成绩。近年来，随着用户对项目的交互行为的增加，越来越多的研究学者将用户的行为、项目属性等辅助信息加入到了推荐算法中，已有
【参考文献】：
期刊论文
[1]改进矩阵分解与卷积神经网络结合的推荐模型[J]. 蔡念,刘广聪,蔡红丹. 计算机工程与应用. 2019(19)
[2]栈式降噪自编码器的标签协同过滤推荐算法[J]. 霍欢,郑德原,高丽萍,杨沪沪,刘亮,张薇. 小型微型计算机系统. 2018(01)
[3]利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法[J]. 何洁月,马贝. 计算机学报. 2016(01)
[4]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红. 软件学报. 2013(11)
[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]适应用户兴趣变化的协同过滤推荐算法[J]. 邢春晓,高凤荣,战思南,周立柱. 计算机研究与发展. 2007(02)
[7]使用BP神经网络缓解协同过滤推荐算法的稀疏性问题[J]. 张锋,常会友. 计算机研究与发展. 2006(04)
[8]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐. 软件学报. 2003(09)
[9]个性化推荐算法设计[J]. 赵亮,胡乃静,张守志. 计算机研究与发展. 2002(08)
本文编号：3613365
【文章来源】：北方工业大学北京市
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
全球数据总量趋势图
第一章绪论2或者计算项目与项目之间的相似度，来给具有相似兴趣点的用户之间互相推荐项目，又或是给用户推荐感兴趣的项目。推荐系统的出现，带给了用户极佳体验的同时，给电子商户带来了丰厚的盈利回报。图1-2微博热门榜单推荐当前，推荐系统已广泛应用在各种领域，如美团外卖、百度外卖等线上餐饮行业，如携程、马蜂窝等旅游平台；如阿里巴巴、亚马逊等线上购物平台，如网易云音乐、QQ音乐等音乐平台。推荐系统的应用带给我们丰富的线上体验的同时，也影响着我们生活的各个方面。主流的推荐算法可以分为基于流行度的推荐算法、协同过滤推荐算法、基于内容的推荐算法和混合推荐算法。基于流行度的推荐算法[1]较为简单，它是通过选取用户点击率高的信息进行排序，接着选取前N个热点进行推荐，图1-2是微博一个热门榜单推荐，该算法虽然简单，但由于不具有针对性，所以推荐效果不佳；协同过滤推荐系统[2]分为基于用户的协同过滤、基于项目的协同过滤和基于模型的协同过滤，协同过滤是一种“集体智慧”的体现，这种“集体智慧”是通过在用户和项目之间建立一种关系网实现的，这种关系网通常为用户评分矩阵，比如在一群用户中找到与目标用户兴趣偏好相似的用户，这就需要计算目标用户的项目评分矩阵与需要计算的用户项目评分矩阵的相似度，从而筛选出最相似的那部分用户，给予推荐，协同过滤推荐算法可以解决一些难以进行内容分析的项目，如音乐、艺术等，也可以解决一些用户从未接触过的东西，即长尾效应问题（Longtaileffect）,但由于比较依赖用户评分矩阵，对数据稀疏性问题、冷启动问题表现不佳，数据稀疏性问题即用户与项目之间存在部分项目没有进行任何交互行为或
级联式等方式整合多种推荐算法来进行推荐，如网易云音乐等，这种采取众多推荐算法结合的方式，虽然可以弥补各自推荐算法的缺点，但也存在针对性不强和模型的复杂度递增。传统的推荐算法不能有效的解决数据稀疏的问题，这就需要有一种能够学习到用户特征，能够抓住用户和项目之间的内在联系，从而抓住用户的兴趣点，给予恰到好处的推荐。深度学习技术能够从异构多源且丰富的用户行为数据和项目信息中自主学习到深层次的特征表示，其强大的特征学习能力解决了传统的推荐算法所遇到的问题，因此得到了越来越多学者的关注。图1-3YouTube基于深度学习的视频推荐自1986年，由Hinton等提出快速计算受限玻耳兹曼机(RBM)[5]之后，深度学习得到了广泛的研究，在图像领域[6]、音频领域[7]、自然语言领域[8]等取得了突破性的进展。由于深度学习模型具有普适性的优点，所以有大量学者引入了深度学习的思想，给推荐系统领域的研究注入了新的活力，图1-3是YouTube基于深度学习的视频推荐。虽然深度学习在推荐系统领域已取得了初步成效，但远远没有达到在其他领域取得的成绩。近年来，随着用户对项目的交互行为的增加，越来越多的研究学者将用户的行为、项目属性等辅助信息加入到了推荐算法中，已有
【参考文献】：
期刊论文
[1]改进矩阵分解与卷积神经网络结合的推荐模型[J]. 蔡念,刘广聪,蔡红丹. 计算机工程与应用. 2019(19)
[2]栈式降噪自编码器的标签协同过滤推荐算法[J]. 霍欢,郑德原,高丽萍,杨沪沪,刘亮,张薇. 小型微型计算机系统. 2018(01)
[3]利用社交关系的实值条件受限玻尔兹曼机协同过滤推荐算法[J]. 何洁月,马贝. 计算机学报. 2016(01)
[4]基于时序行为的协同过滤推荐算法[J]. 孙光福,吴乐,刘淇,朱琛,陈恩红. 软件学报. 2013(11)
[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]适应用户兴趣变化的协同过滤推荐算法[J]. 邢春晓,高凤荣,战思南,周立柱. 计算机研究与发展. 2007(02)
[7]使用BP神经网络缓解协同过滤推荐算法的稀疏性问题[J]. 张锋,常会友. 计算机研究与发展. 2006(04)
[8]基于项目评分预测的协同过滤推荐算法[J]. 邓爱林,朱扬勇,施伯乐. 软件学报. 2003(09)
[9]个性化推荐算法设计[J]. 赵亮,胡乃静,张守志. 计算机研究与发展. 2002(08)
本文编号：3613365
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3613365.html
最近更新
教材专著
