基于深度学习的协同过滤模型在推荐系统中的研究

发布时间：2023-05-18 22:40

　　在互联网时代快速发展的今天,数据呈现了指数式的增长速度,2018年全球互联网用户数已经达到36亿,将超过全球人口总数的50%。电商份额也在持续增长,亚马逊的商品交易总值由2013年的20%增长到2017年的28%。同时,电子商务的推荐比例也在攀升中,由2015年的2%增长到2017年的6%。怎样让推荐更加满足消费者的需求是我们研究的课题。协同过滤算法成为了目前主流的推荐算法。其在工业界应用广泛,模型通用性较强,不需要太多对应数据领域的专业知识,工程实现也较简单,效果也不错。当然,协同过滤也有一些难以避免的难题,比如令人头疼的“冷启动”问题,当没有新用户任何数据的时候,无法较好的为新用户推荐物品。本篇文章以MovieLens电影数据集为原始数据集,首先介绍了协同过滤模型、隐语义模型以及改进之后的模型,为了提高模型预测准确度和推荐的精度,在协同过滤模型基础上分别使用了文本卷积网络和长短期记忆神经网络训练模型。文章的主要内容:1.介绍协同过滤、隐语义模型以及改进后模型的理论方法和参数推导过程;2.分别介绍了深度学习中卷积神经网络和长短期记忆神经网络的理论方法和参数推导过程;3.基于Movie...

【文章页数】：50 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
    1.2 研究目的和意义
    1.3 研究内容与方法
        1.3.1 研究内容
        1.3.2 推荐系统评价指标
    1.4 本文的主要贡献
第二章 文献综述
    2.1 用户行为的个性化推荐在国内外的研究状况及水平
    2.2 协同过滤模型在国内外的研究状况及水平
    2.3 隐语义模型在国内外的研究状况及水平
    2.4 应用深度学习的推荐系统在国内外的研究状况及水平
第三章 协同过滤模型与隐语义模型
    3.1 基于用户的协同过滤模型
        3.1.1 基础算法
        3.1.2 改进用户兴趣相似度的计算
    3.2 传统SVD分解模型
    3.3 隐语义Simon Funk的SVD分解模型
        3.3.1 模型思想
        3.3.2 模型内容
        3.3.3 模型求解方法
第四章 深度学习神经网络
    4.1 卷积神经网络(CNN)
        4.1.1 模型结构
        4.1.2 卷积层计算
        4.1.3 池化层计算
        4.1.4 全连接层
        4.1.5 卷积神经网络前向传播算法
    4.2 长短期记忆神经网络(LSTM)
        4.2.1 模型结构
        4.2.2 LSTM之遗忘门
        4.2.3 LSTM之输入门
        4.2.4 LSTM之细胞状态更新
        4.2.5 LSTM之输出门
        4.2.6 LSTM反向传播算法
第五章 模型实验与评估
    5.1 数据预处理
        5.1.1 数据集的来源
        5.1.2 数据向量化
    5.2 基于用户的协同过滤模型
    5.3 改进的用户协同过滤模型与隐语义模型
    5.4 文本卷积神经网络
        5.4.1 CNN模型设计
        5.4.2 CNN模型结果分析
    5.5 长短期记忆神经网络
        5.5.1 LSTM模型设计
        5.5.2 LSTM模型结果分析
    5.6 模型结果对比
    5.7 向用户推荐电影
第六章 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献



本文编号：3819136