基于side information和深度学习的推荐算法研究

发布时间：2022-10-19 12:43

　　随着互联网的不断发展,从听音乐、看新闻、浏览视频到购买商品,推荐系统早已无处不在,推荐算法逐渐成为各大企业解决信息过载的主要技术手段。现有的推荐算法主要是根据用户或者物品来计算相似度,从而为用户推荐更为相似的物品,但是这已经远远满足不了用户的需求。而随着用户浏览日志的累加和物品信息的完善,与推荐相关的辅助信息也越来越多,这些辅助信息统称为side information,如何有效地结合side information与传统的推荐算法已经成为目前推荐领域的研究热点。传统的推荐算法研究存在如下两个问题:一主要在拟合用户的评分数据,即便使用了部分用户信息或者物品信息,也只能提取浅层次的用户特征或者物品特征,如果能够充分利用海量的结构化和非结构化的数据,就可以挖掘数据的深层次特征,更好地对用户和物品进行建模,从而为用户推荐更有代表性的物品;二是冷启动问题突出,数据稀疏性严重。协同过滤是推荐算法中最常用的一种方法,在工业界和学术界有大量的研究和应用涌现。虽然有些研究已经开始使用side information来提取隐变量,但是仍有提升的空间。本研究基于side information和深度学习提... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 背景意义
    1.2 研究现状与存在问题
        1.2.1 国内外研究现状
        1.2.2 现有研究存在的问题
    1.3 本论文的研究成果
        1.3.1 本论文的工作
        1.3.2 本论文的创新点
    1.4 本论文的篇章架构
第二章 基于side information和深度学习的推荐算法技术分析
    2.1 对推荐算法的研究综述
    2.2 本论文的技术路线
    2.3 相关理论与技术简介
        2.3.1 基于矩阵分解的推荐算法
        2.3.2 基于深度学习的推荐算法
    2.4 本章小结
第三章 基于side information和深度学习的推荐算法研究
    3.1 side information的特征分析和预处理方法研究
        3.1.1 side information的特征研究
        3.1.2 side information的预处理方法研究
    3.2 基于卷积神经网络和词向量的推荐算法研究
        3.2.1 问题定义
        3.2.2 基于卷积神经网络的推荐算法研究
        3.2.3 基于词向量的推荐算法研究
    3.3 基于side information和深度学习的PHD模型
        3.3.1 PHD模型
        3.3.2 基于PHD模型的辅助堆叠去噪自编码器
        3.3.3 基于PHD模型的卷积神经网络
        3.3.4 基于PHD模型的求解
    3.4 基于PHD模型的优化和并行化研究
        3.4.1 基于PHD模型的优化研究
        3.4.2 基于PHD模型的并行化研究
    3.5 本章小结
第四章 基于side information和深度学习的推荐算法实现分析
    4.1 数据集介绍
    4.2 实验方法
        4.2.1 实验设计
        4.2.2 对比方法
        4.2.3 评价指标
    4.3 实验对比
    4.4 系统实现
        4.4.1 系统架构
        4.4.2 系统设计
        4.4.3 实现结果
    4.5 本章小结
第五章 总结与展望
    5.1 研究总结
    5.2 研究展望
参考文献
致谢
攻读硕士学位期间发表的学术论文
攻读硕士学位期间参与的项目


【参考文献】：
期刊论文
[1]移动互联网推荐系统研究综述[J]. 陈伟,卜庆凯.  电脑知识与技术. 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]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)

博士论文
[1]推荐系统若干关键技术研究[D]. 蒋伟.电子科技大学 2018



本文编号：3693385