结合辅助信息的推荐算法的研究与实现

发布时间：2023-09-14 05:49

　　推荐系统从九十年代提出以来就不断地为人民生活带来便利,当前的信息时代正是推荐算法施展作用的大好时机。推荐系统对于电商平台有着重要的意义,它能够帮助平台提升流量、赚取广告费和提高商品销量等,所以各大电商平台基本上都有自己的推荐系统,这些平台中都充斥着大量的可用信息。利用各种辅助数据为推荐系统提高预测性能已经成为一种研究趋势。本文顺应这种趋势,致力于研究如何更好地结合辅助信息来提高电商平台推荐算法的性能。然而随着电商平台的增多,用户的浏览难度也在增加,经常需要切换不同的网站进行对比购物,这对用户来说也是不方便的,所以对于跨平台的电商网站的研发具有现实意义。本文的主要工作包括以下几点:(1)本文提出了一种名为HRNrec的融合推荐模型,该模型分别通过两种构图方法获取用户和物品之间的特征关系,然后将其输入融合的神经网络模型来生成推荐结果。第一种构图方法是构建“买家-产品-类别”三部图,然后通过随机游走算法进行游走概率计算,最后生成融合的推荐模型的第一部分输入。第二种构图法是利用异构信息网络得到元图,通过元路径的计算方法求解元图中用户和物品的相似度矩阵,再通过概率矩阵分解方法得到相关特征向量,从...

【文章页数】：98 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
    1.3 本文主要内容
    1.4 本文的内容结构
第二章 推荐领域相关知识介绍
    2.1 引言
    2.2 推荐系统及其算法
        2.2.1 推荐系统
        2.2.2 推荐算法
        2.2.3 推荐系统中的辅助信息
    2.3 异构信息网络概述
    2.4 矩阵分解算法概述
    2.5 深度学习模型在推荐系统中的应用
        2.5.1 基于多层感知机的推荐算法研究
        2.5.2 基于自编码器的推荐算法研究
        2.5.3 基于卷积神经网络模型的推荐算法研究
        2.5.4 基于循环神经网络模型的推荐算法研究
        2.5.5 基于生成式对抗神经网络模型的推荐算法研究
        2.5.6 基于受限玻尔兹曼机模型的推荐算法研究
    2.6 本章小结
第三章 结合两种构图方法的推荐算法的设计与实现
    3.1 引言
    3.2 “买家-产品-类别”构图法
        3.2.1 构建三部图
        3.2.2 随机游走获得输入向量
    3.3 异构信息网络构图法
        3.3.1 搭建异构信息网络
        3.3.2 构造元路径
        3.3.3 求解元路径
        3.3.4 获得特征向量
    3.4 融合的神经网络推荐模型
    3.5 实验设计与结果分析
        3.5.1 数据集介绍与处理
        3.5.2 实验设计
        3.5.3 实验结果分析
    3.6 本章小结
第四章 电商推荐算法的设计与实现
    4.1 引言
    4.2 算法设计
        4.2.1 边权重优化方法
        4.2.2 游走概率调节策略
    4.3 实验设计与结果分析
        4.3.1 实验设计
        4.3.2 结果分析
    4.4 本章小结
第五章 跨平台的电商推荐系统的设计与实现
    5.1 引言
    5.2 需求分析
        5.2.1 功能需求
        5.2.2 性能需求
        5.2.3 开发和运行环境需求
    5.3 系统设计
        5.3.1 架构设计
        5.3.2 用例设计
        5.3.3 系统交互过程分析
        5.3.4 模块设计
        5.3.5 数据库设计
    5.4 模块设计与实现
        5.4.1 商品信息爬取模块
        5.4.2 用户功能模块
        5.4.3 商品展示模块
        5.4.4 商品推荐模块
    5.5 系统测试
        5.5.1 功能测试
        5.5.2 性能测试
    5.6 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 未来展望
致谢
参考文献
攻读硕士学位期间取得的成果



本文编号：3846678