基于深度学习的个性化推荐模型研究与实现

发布时间：2023-05-05 20:25

　　推荐系统是给予消费者消费推荐的一个系统。鉴于网络上可用信息的爆炸式增长,消费者在日常生活中可能会面对无数受欢迎的产品、电影或者餐饮。因此,为了从众多的商品中选出用户所心仪的商品,个性化的推荐就成了给予消费者更好用户体验的基本策略。现在的推荐系统在各种信息访问系统中发挥着举足轻重的作用,以促进用户的决策过程。正是如此,推荐系统在诸多电子商务或媒体网站等领域普遍存在。近些年来,深度学习在自然语言处理、图像识别等诸多领域均取得了显著的成效,也不断有学者在其它领域尝试以深度学习的方式来处理传统方式难以解决的复杂问题。这是由于深度学习能够从海量的数据中准确地提取物品之间隐含的非线性关系,并且能够将各类抽象的行为特征转化成更为具体的数据进行表示。在推荐领域,深度学习使得推荐体系结构发生了巨大的变革,为提高推荐系统的性能提供了更好的方法。基于深度学习的推荐系统克服了传统推荐模式的种种障碍,取得了更高的推荐质量,因此受到了广泛的关注。本文针对基于深度学习的个性化推荐模型的研究主要工作如下:1)对数据集进行数据分析处理,数据处理主要包含对数据集的预处理与对序列数据的增强操作。本文的预处理手段采用了缺损值...

【文章页数】：95 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 传统推荐系统现状
        1.2.2 深度学习在推荐系统方面的应用
    1.3 本文研究内容
    1.4 本文层次结构安排
第二章 相关技术原理
    2.1 推荐系统原理
    2.2 深度学习概述
    2.3 本文所用算法
        2.3.1 门循环单元
        2.3.2 注意力机制
    2.4 数据来源
    2.5 本章小结
第三章 数据分析与处理
    3.1 数据预处理
        3.1.1 缺损值处理
        3.1.2 数据格式化及样本均衡
        3.1.3 特征编码与降维
    3.2 超长与超短序列问题
        3.2.1 超长序列问题
        3.2.2 短序列的数据增强
    3.3 本章小结
第四章 用户序列隐性特征提取模型
    4.1 推荐系统模型设计
    4.2 深度兴趣网络
        4.2.1 兴趣提取
        4.2.2 兴趣局部激活
    4.3 深度兴趣进化网络
        4.3.1 GRU兴趣提取
        4.3.2 辅助损失
        4.3.3 兴趣进化
    4.4 其余隐性特征提取模型
        4.4.1 浅层与深层特征结合模型
        4.4.2 基于乘法运算的特征交叉模型
    4.5 本章小结
第五章 基于特征权重提取的个性化推荐模型
    5.1 用户特征权重提取模型
        5.1.1 长短期兴趣提取
        5.1.2 权重分配算法
        5.1.3 特征权重提取模型结构
    5.2 本文个性化推荐模型结构
    5.3 模型相关设置
        5.3.1 过拟合问题
        5.3.2 相关训练设置
    5.4 实际应用分析
    5.5 本章小结
第六章 实验结果对比分析
    6.1 实验平台
    6.2 评价指标
        6.2.1 混淆矩阵
        6.2.2 准确率、精准率与召回率
        6.2.3 ROC与 AUC
    6.3 实验设置
    6.4 实验结果
        6.4.1 模型效果验证
        6.4.2 隐性特征提取对比验证
        6.4.3 注意力结合方式验证
        6.4.4 正则化效果验证
        6.4.5 其余对比验证
        6.4.6 模型训练可视化结果
    6.5 本章小结
第七章 结束语
    7.1 全文总结
    7.2 不足与展望
致谢
参考文献
攻硕期间取得的研究成果



本文编号：3808355