基于自编码器混合推荐算法的研究

发布时间：2023-10-22 11:56

　　随着互联网信息技术的飞速发展和各种电子设备的普及运用,众多Web网站和APP应运而生,给人们的日常生活带来极大便利,人们的衣食住行变得更加方便快捷,但这又反过来促进了用户和信息量的增长、内容的复杂性以及动态性也在不断提高。信息与人们之间的关系密不可分的时代,已经成为了人们生存发展的一种非物质工具。然而信息爆炸性增长也给人们也带来了烦恼,传统的搜索引擎和工具寻找起来费时费力,简单的检索系统已经不能满足用户寻找的需求;网上的资源信息时刻发生变化,也增加了人们准确寻找所需的困难;人们兴趣的频繁改变也给准确的推荐带来了很大的困难。针对以上问题,近年来研究者们提出了很多解决方案,但由于推荐场景、物品类型、数据集完备性等方面的复杂性,这些方案的推荐精准度仍有较大提升空间。本文主要研究用户对电影的喜好推荐,将深度学习技术与推荐系统相结合,使用MovieLens公开数据集提供的用户信息、电影信息以及用户对电影的评分信息作为推荐系统的输入,匹配出符合的电影资源对用户进行推荐。本文的主要工作在于:(1)首先,考虑到用户兴趣的长期稳定性,基于降噪自编码器提取出用户对电影兴趣的长期模型;(2)其次,考虑到用户...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
    1.4 本文组织结构
    1.5 本章小结
2 相关理论基础
    2.1 研究的相关问题
        2.1.1 推荐系统理论
        2.1.2 推荐系统工作原理
        2.1.3 基于内容的推荐算法
        2.1.4 基于协同过滤的推荐算法
        2.1.5 基于关联规则的推荐算法
        2.1.6 基于聚类的推荐算法
        2.1.7 基于混合推荐的算法
    2.2 深度学习的相关技术
        2.2.1 卷积神经网络
        2.2.2 递归卷积神经网络
        2.2.3 自编码器
        2.2.4 受限玻尔兹曼机
        2.2.5 深度信念网络
    2.3 基于深度学习的推荐系统
        2.3.1 基于内容的深度学习推荐系统
        2.3.2 基于协同过滤的深度学习推荐系统
        2.3.3 基于混合推荐的深度学习推荐系统
    2.4 本章小结
3 基于用户长期兴趣模型的推荐算法
    3.1 输入数据集获取
        3.1.1 显式信息特征提取
        3.1.2 隐式信息特征提取
    3.2 数据预处理
        3.2.1 独热编码
        3.2.2 数据清洗
    3.3 基于降噪自编码器构建用户长期兴趣模型
        3.3.1 模型的设计思路
        3.3.2 算法模型
    3.4 算法评估指标
        3.4.1 准确性指标
        3.4.2 非准确性指标
    3.5 本章小结
4 基于用户长短期动态兴趣模型的推荐算法
    4.1 基于时间敏感度算法构建短期兴趣模型
        4.1.1 模型的设计思路
        4.1.2 算法模型
    4.2 用户长短期动态兴趣模型
        4.2.1 模型的设计思路
        4.2.2 算法模型
    4.3 本章小结
5 实验结果及分析
    5.1 实验环境及数据集划分
        5.1.1 实验环境
        5.1.2 数据集划分
    5.2 算法评估指标
    5.3 设计对比实验
    5.4 实验结果分析
6 总结与展望
参考文献
攻读硕士学位期间所取得的研究成果
致谢



本文编号：3856470