基于嵌入式表示学习的推荐方法与应用

发布时间：2024-04-27 00:08

　　由于科技的不断进步以及世界经济一体化的逐渐形成,互联网也得以在全球范围内实现快速发展,全球用户量逐年递增,随之而来的就是大量的用户数据。据统计,从2018年至2025年,全球范围内的数据量将从33ZB急速增长到175ZB。一方面,工业3.0以来,通过为用户提供海量的信息影响了越来越多人的日常生活,但是在另一方面,信息化时代同样为工业和研究领域带来了大量的机缘和挑战。面对大量的数据信息,如何从中便捷而高速的使用户取得满足需求的数据,有效缓解信息过载情况是当今科研工作者们着力处理的一大事务。面对信息过载问题,较早的解决方案是以谷歌、百度等为代表的搜索引擎技术。然而由于搜索引擎的通用性,注定不能够针对单独用户满足其个性化需求。推荐系统(Recommender Systsems,RS)通过分析用户个体信息数据的差异,针对单个用户提供个性化的推荐服务,是一种较好的缓解信息过载的有效方案。基于标签的推荐系统利用用户对项目的标记信息为用户推荐项目,但是现有的标签系统中的推荐方法只是用到了项目-标签-用户之间的联系,并不注重用户以及项目自身的特征。在度量用户以及项目之间的相似度时,现存的方法只是单一考...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与研究意义
    1.2 国内外研究现状
        1.2.1 推荐系统以及协同过滤
        1.2.2 表示学习
    1.3 本文主要研究内容
    1.4 论文的组织结构
第2章 推荐系统关键技术
    2.1 推荐系统概述
        2.1.1 推荐系统的概念
        2.1.2 推荐算法的分类
        2.1.3 推荐系统评价标准
    2.2 协同过滤推荐算法
        2.2.1 协同过滤概述
        2.2.2 推荐步骤
        2.2.3 协同过滤算法分类
    2.3 本章小结
第3章 表示学习基础理论
    3.1 表示学习概述
    3.2 Word2vec
        3.2.1 skip-gram
        3.2.2 CBOW
    3.3 本章小结
第4章 基于标签信息特征相似性的协同过滤推荐算法
    4.1 标签系统
    4.2 基于标签信息特征相似性的协同过滤推荐算法
        4.2.1 用户-标签-项目三分图
        4.2.2 基于标签的用户偏好计算
        4.2.3 基于标签的相似性计算
        4.2.4 用户偏好预测
    4.3 算法设计
    4.4 实验分析
        4.4.1 实验设置
        4.4.2 评估标准
        4.4.3 实验结果及分析
    4.5 本章小结
第5章 基于嵌入式表示学习的协同过滤推荐算法
    5.1 算法设计
        5.1.1 基于表示学习的标签向量化
        5.1.2 算法描述
    5.2 实验分析
        5.2.1 实验设置
        5.2.2 实验结果及分析
    5.3 本章小结
第6章 个性化电影推荐引擎设计与实现
    6.1 应用背景
    6.2 关键技术
        6.2.1 数据处理
        6.2.2 系统构建
    6.3 系统设计与实现
        6.3.1 系统需求分析
        6.3.2 系统设计
        6.3.3 推荐系统的实现
    6.4 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢



本文编号：3965064