基于深度学习增强的个性化推荐算法研究

发布时间：2023-03-10 23:54

　　随着互联网技术的迅速发展和数据量的激增,能够有效解决信息过载现象的推荐系统应运而生。协同过滤推荐算法是推荐系统中应用最广泛、发展最快的一种算法。由于只利用了用户和项目的交互信息,它的发展受到了数据稀疏性和冷启动问题的严重影响,这导致算法的准确率受到了限制。研究表明,引入辅助信息可以有效缓解协同过滤算法的冷启动、数据稀疏问题,但浅层模型具有特征提取效果不佳的缺点。近年来,将深度学习模型应用于推荐系统的方法不断涌现,但以上问题仍然存在。针对这些问题,本文利用深度学习中的层叠稀疏降噪自编码器,将辅助信息融入推荐算法来增强算法的特征提取能力,更准确地完成评分的预测。主要研究内容有以下几点:1.提出“层叠稀疏降噪自编码器增强的基于用户分类的隐含因子算法”,该算法采用“深层模型提取项目特征+浅层模型提取用户特征”的组合模式。用户特征提取:使用系统评分制度的平均值改进指示函数的判定条件,使其更具有合理性,并将用户分类矩阵融入到隐含因子模型的预测评分中,通过用户分类,判定新用户所属类别,有效解决了新用户冷启动的问题。项目冷启动、数据稀疏、浅层模型特征提取能力有限的问题:使用“深度学习+隐含因子模型”的...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
        1.1.1 推荐系统
        1.1.2 深度学习
    1.2 研究意义
    1.3 研究现状
    1.4 本文研究内容和创新点
        1.4.1 本文研究内容
        1.4.2 本文的创新点
    1.5 本文组织结构
第2章 相关理论与方法
    2.1 推荐系统
        2.1.1 推荐算法分类
        2.1.2 推荐算法质量评估指标
    2.2 隐含因子模型
    2.3 自编码器相关理论知识
        2.3.1 自编码器
        2.3.2 降噪自编码器
        2.3.3 稀疏自编码器
        2.3.4 层叠稀疏降噪自编码器
    2.4 本章小结
第3章 sSDAE增强的基于用户分类的隐含因子算法
    3.1 拟解决的问题
    3.2 sSDAE增强的基于用户分类的隐含因子算法设计
        3.2.1 sSDA-UCLFM算法框架
        3.2.2 基于用户分类的隐含因子算法(UCLFM)
        3.2.3 层叠稀疏降噪自编码器(sSDAE)的实现
    3.3 sSDA-UCLFM算法流程
    3.4 实验设计与结果分析
        3.4.1 实验系统设计
        3.4.2 数据集构建和数据预处理
        3.4.3 实验环境和参数设置
        3.4.4 对比实验设计和评测指标
        3.4.5 实验结果及分析
    3.5 本章小结
第4章 sSDAE融入辅助信息的隐含因子推荐算法
    4.1 拟解决的问题
    4.2 sSDAE融入辅助信息的隐含因子推荐算法设计
        4.2.1 sSDA-LFM算法框架
        4.2.2 sSDAE融入辅助信息的LFM算法
    4.3 sSDA-LFM算法流程
    4.4 实验与结果分析
        4.4.1 实验系统设计
        4.4.2 实验环境和评测指标
        4.4.3 实验参数设置
        4.4.4 对比实验设计
        4.4.5 实验结果及分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间的学术成果
致谢



本文编号：3758799