基于深度学习的推荐系统模型研究

发布时间：2022-09-21 19:45

　　推荐系统的含义是给用户推荐他们喜欢的商品或者信息,并以用户的兴趣特点以及用户历史行为作为依据。随着深度学习技术在自然语言处理领域的拓展越来越多,推荐算法渐渐依赖起了深度学习技术,深度学习渐渐成了各家互联网大厂角逐的重要领域。目前在深度学习的文本提取领域和推荐算法领域还存在着很大的问题,如神经网络模型的可解释性差,特征提取方面无法充分对可用信息进行建模,推荐算法方面的逻辑性与准确度不够强等方面的问题。本文主要研究了深度学习在特征提取与推荐算法相关的技术,并分析了这些技术所具有的优点与缺点以及其内部的原理机制,针对现有方法存在的缺陷,本文主要对推荐系统领域的用户信息提取和推荐算法方面做出了相关的改进,并最终通过实验验证了其效果的优越性。本文主要工作如下:1.分析了自然语言处理领域内信息提取的主流方法的基本原理如:RNN、CNN、注意力机制以及词嵌入表示法。本文针对传统的自注意力机制可控性差、可解释性不足等问题,首先设计了一种利用限制函数来进行更有目的性特征提取的注意力机制。接下来本文利用词嵌入的思想结合带限制的注意力机制,设计了一层独立的嵌入层网络,从而利用嵌入层网络训练出足以表示用户喜好... 

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
        1.1.1 背景
        1.1.2 意义
    1.2 国内外研究历史与现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 用户信息处理的相关研究
    2.1 用户信息表示的相关研究
        2.1.1 中文分词原理
        2.1.2 传统的词典表示法
        2.1.3 词嵌入表示法
    2.2 用户信息抽取的相关研究
        2.2.1 循环神经网络提取
        2.2.2 卷积神经网络提取
        2.2.3 注意力机制
    2.3 本章小结
第三章 推荐算法模型的相关研究
    3.1 相似度计算的相关方法
    3.2 传统的协同过滤算法推荐模型
    3.3 基于深度学习的推荐算法模型
        3.3.1 基于协同过滤思想的深度推荐算法模型
        3.3.2 基于注意力机制的深度推荐算法模型
    3.4 本章小结
第四章 基于YouTube深度学习推荐算法模型的改进
    4.1 基线算法模型
    4.2 基线模型分析
    4.3 深度注意力提取模型
    4.4 信息抽取相关改进
        4.4.1 嵌入层
        4.4.2 带限制的注意力机制
    4.5 基于候选集的推荐算法模型
    4.6 推荐算法相关改进
        4.6.1 推荐算法思想
        4.6.2 候选集的训练模型
        4.6.3 候选集设计
        4.6.4 冷启动策略
    4.7 改进模型的整体推荐流程
    4.8 本章小结
第五章 推荐系统设计实现和实验分析
    5.1 数据集
    5.2 评价指标
    5.3 推荐系统整体结构设计
        5.3.1 数据集预处理
        5.3.2 推荐算法模块
    5.4 实验结果
    5.5 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于时间相关度和覆盖权重的协同过滤推荐算法[J]. 张志鹏,张尧,任永功.  模式识别与人工智能. 2019(04)
[2]基于隐马尔科夫模型的中文术语识别研究[J]. 岑咏华,韩哲,季培培.  现代图书情报技术. 2008(12)
[3]基于条件随机场的中文科研论文信息抽取[J]. 于江德,樊孝忠,尹继豪.  华南理工大学学报(自然科学版). 2007(09)



本文编号：3680553