基于深度学习的个性化推荐系统的研究与实现

发布时间：2023-11-10 17:35

　　随着“互联网+”时代的快速发展,用户在线购物、播放多媒体文件、阅读新闻资讯越来越普遍,而互联网上的资源数量庞大,如何快速、精准地帮助用户找到感兴趣的内容成为个性化推荐系统研究的主要目标。用户的兴趣往往与用户历史行为及行为发生的时间关系紧密,现有研究中通常只利用了用户历史行为数据中的商品信息和浏览时序信息,本文提出了一种新的基于递归神经网络的个性化推荐模型,不仅利用了用户浏览的商品信息和浏览时序信息,还利用了用户浏览时长信息来提升个性化推荐系统的效果。本文研究中提出了时长注意力因子的概念,通过将用户浏览商品的时长信息进行一系列变换后得到该用户对每个商品的时长注意力因子,其数值大小可以反映出用户对商品感兴趣的程度。该时长注意力因子和商品信息共同作为输入添加到包含门限函数的递归神经网络中进行训练和优化,得到基于深度学习的个性化推荐系统模型,时长信息的加入提升了模型的推荐效果。本文还对所实现的个性化推荐系统的整体框架及各模块的功能与交互关系进行了说明。推荐系统实际应用中的一大难题是冷启动问题,本文针对冷启动问题现状和商品时效性特征进行分析并采用热门推荐法对冷启动用户进行商品推荐。此外本文还研究...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 个性化推荐概述
        1.2.1 个性化推荐常用算法
        1.2.2 个性化推荐系统的特点和难点
    1.3 国内外研究与应用现状
    1.4 论文主要研究内容
    1.5 论文章节安排
第二章 相关理论研究
    2.1 协同过滤推荐算法
        2.1.1 基于用户的协同过滤算法
        2.1.2 基于物品的协同过滤算法
    2.2 基于递归神经网络的推荐算法
        2.2.1 递归神经网络结构
        2.2.2 梯度消失问题
        2.2.3 LSTM网络
    2.3 冷启动问题
        2.3.1 冷启动问题概述
        2.3.2 冷启动问题常用解决方法
    2.4 本章小结
第三章 时长注意力
    3.1 个性化推荐系统中的时间信息
        3.1.1 时间序列信息
        3.1.2 时间衰减信息
        3.1.3 浏览时长信息
    3.2 时长信息分析及预处理
    3.3 时长信息变换
        3.3.1 时长信息变换方法的选取
        3.3.2 时长信息变换效果
    3.4 时长注意力因子
    3.5 本章小结
第四章 基于TA-GRU模型的个性化推荐系统实现
    4.1 GRU网络
    4.2 添加时长信息的TA-GRU网络
    4.3 不定长序列mini-batch分配
        4.3.1 不定长序列mini-batch常用分配方法
        4.3.2 含时长信息的不定长序列mini-batch分配
    4.4 TA-GRU模型训练及优化
        4.4.1 负样本采样
        4.4.2 目标函数与优化
        4.4.3 时间性能优化
    4.5 系统整体框架
    4.6 本章小结
第五章 实验结果及分析
    5.1 数据集
        5.1.1 RSC15数据集
        5.1.2 自建数据集
    5.2 评价指标与基准方法选取
        5.2.1 评价指标
        5.2.2 基准方法
    5.3 Dropout效果分析
    5.4 实验结果对比
    5.5 冷启动问题解决方案及效果
    5.6 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 研究展望
参考文献
致谢
攻读学位期间取得的研究成果



本文编号：3862009