基于深度学习的推荐算法的研究与应用

发布时间：2023-04-09 00:21

　　随着互联网技术的快速发展,在给用户带来诸多方便、满足用户需求的同时,也伴随着带来了信息过载问题。如何从庞大的信息中快速找到感兴趣的信息变得及其重要,个性化推荐也因此变得比较热门,电商平台通常利用用户平时购买商品的记录、门户网站通常根据用户浏览新闻的类别、娱乐行业通过分析用户观看电影的类型等历史行为数据来挖掘用户的兴趣,并对其进行推荐相关的信息。通常根据用户维度、物品维度、或者深度学习的模型对推荐算法进行划分。尽管传统的协同过滤推荐算法已经在广泛的使用,但是该算法仍然存在推荐精度不高、新物品的冷启动问题等。本文旨在利用深度学习模型改善推荐算法的精确度。本文主要的工作:介绍传统推荐算法(基于用户的UserCF推荐算法、基于物品的ItemCF推荐算法、基于矩阵分解的FunkSVD推荐算法)的原理,并基于1M的movielens数据集对上述算法进行实验。通过实验分析得知UserCF推荐算法和ItemCF推荐算法二者推荐的精确率和覆盖率较低,同时FunkSVD算法预测的结果和实际情况偏差较大。近些年随着深度学习的火热兴起,采用深度学习模型和协同过滤算法结合也变的越来越热门。为了解决上述问题,本文...

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 研究内容
    1.4 论文结构与组织
第2章 传统推荐算法
    2.1 智能推荐
    2.2 传统数据挖掘推荐算法
        2.2.1 基于用户的协同过滤推荐算法
        2.2.2 基于物品的协同过滤推荐算法
        2.2.3 基于模型的协同过滤推荐算法
    2.3 实验结果
        2.3.1 数据集
        2.3.2 推荐算法评价指标
        2.3.3 实验结果及分析
    2.4 本章小结
第3章 改进的K-Item RBM推荐算法
    3.1 受限玻尔兹曼机
        3.1.1 玻尔兹曼机
        3.1.2 受限玻尔兹曼机
    3.2 算法模型
        3.2.1 模型训练特征的选取
        3.2.2 受限玻尔兹曼机模型结构
        3.2.3 改进的K-Item RBM推荐算法
    3.3 实验结果
        3.3.1 数据预处理
        3.3.2 实验结果
    3.4 算法对比分析
    3.5 本章小结
第4章 改进的CNN-CF推荐算法
    4.1 神经网络
        4.1.1 传统神经网络
        4.1.2 卷积神经网络(CNN)
        4.1.3 卷积神经网络(CNN)与文本分类
    4.2 算法模型
        4.2.1 训练数据的特征描述
        4.2.2 改进的CNN-CF算法模型结构
    4.3 实验结果
    4.4 算法对比分析
    4.5 本章小结
第5章 推荐算法的应用
    5.1 电影推荐系统的需求
    5.2 电影推荐系统的设计
        5.2.1 电影推荐系统UI设计
        5.2.2 电影推荐系统数据库设计
    5.3 电影推荐系统的实现
        5.3.1 requests模块介绍
        5.3.2 lxml模块介绍
        5.3.3 django框架介绍
    5.4 电影推荐系统成果
    5.5 本章小结
总结与展望
    1.主要工作总结
    2.未来工作展望
参考文献
致谢
附录A(攻读学位期间所发表的学术论文)
附录B(攻读学位期间所参与的科研项目)



本文编号：3786732