基于深度神经网络的用户会话推荐算法研究

发布时间：2017-03-27 11:02

  本文关键词：基于深度神经网络的用户会话推荐算法研究，由笔耕文化传播整理发布。

【摘要】：近年来,随着互联网的发展,人们越来越依赖于推荐系统为自己的选择提供参考。本文尝试解决在线购物网站如何在用户与网站交互的同时,向用户推荐他们可能会购买的商品的问题。为了解决这个问题,本文首先将用户浏览网页的过程建模为一个线性的序列,在用户不断地推进这个序列的同时,对用户可能会购买的商品进行预测。然而现有的协同过滤算法,并不能很好地挖掘出用户浏览网页序列。因此,本文根据问题的特点,提出了基于深度循环神经网络和深度前馈网络的DeepSession推荐算法,以解决该推荐问题。基于深度循环神经网络,可以很好地挖掘出用户访问页面序列的模式,并据此推测用户的购买行为。然而,循环神经网络的状态个数是固定的,而用户会话浏览页面的个数却是动态变化的。因此本文提出了带有历史状态的循环网络模型,将比较老的页面聚集为一个历史状态,保留部分较老页面的信息,传递给循环神经网络,从而解决输入页面不断动态增长的问题。在此基础之上,本文提出了建立深度前馈网络,来模拟传统的协同过滤算法,对用户以往的购物模型进行建模,结合深度前馈网络的输出,进一步提高推荐精度。另外,本文针对神经网络调参困难的问题,提出了一个自动调整网络相关配置的算法,该算法基于一定的启发性,大大提高了网络调参的效率。接着基于DeepSession模型,设计了可以应用于购物网站的推荐系统。最后,在电商网站提供的真实数据集上,进行了相关实验。实验结果表明,DeepSession推荐算法相比于基于Spark ALS的传统协同过滤算法,大大提高了推荐精度,证明了DeepSession算法的有效性。
【关键词】：深度学习 循环神经网络 推荐算法 协同过滤算法
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3;TP183
【目录】：

• 摘要4-5
• Abstract5-11
• 第1章 绪论11-17
• 1.1 课题背景11-13
• 1.2 本文工作及贡献13-15
• 1.3 本文组织15-17
• 第2章 相关工作17-31
• 2.1 协同过滤推荐算法17-27
• 2.1.1 基于内存的协同过滤算法18-21
• 2.1.2 基于建模的协同过滤算法21-24
• 2.1.3 混合协同过滤算法24-27
• 2.2 深度神经网络27-30
• 2.2.1 前馈神经网络28-29
• 2.2.2 循环神经网络29-30
• 2.3 本章小结30-31
• 第3章 DeepSession推荐算法31-43
• 3.1 问题描述31-33
• 3.2 循环神经网络模型33-37
• 3.2.1 基本的RNN网络模型33-35
• 3.2.2 深度RNN网络模型35-36
• 3.2.3 带有历史状态的DRNN模型36-37
• 3.3 前馈神经网络模型37-39
• 3.4 实现细节39-42
• 3.4.1 训练数据的生成39-41
• 3.4.2 DeepSession模型在Caffe上的实现41-42
• 3.5 本章小结42-43
• 第4章 模型优化框架43-49
• 4.1 自动生成模型代码43-45
• 4.2 自动调整模型参数45-48
• 4.3 本章小结48-49
• 第5章 DeepSession推荐系统49-53
• 5.1 系统架构49-50
• 5.2 推荐模块50-51
• 5.2.1 Web服务接口子模块50
• 5.2.2 日志存储子模块50-51
• 5.2.3 数据管理子模块51
• 5.2.4 DeepSession推荐算法子模块51
• 5.3 训练模块51-52
• 5.3.1 增量训练模式51
• 5.3.2 全量训练模式51-52
• 5.4 本章小结52-53
• 第6章 实验结果53-64
• 6.1 实验配置53-54
• 6.2 实验评判标准54-55
• 6.3 实验结果及分析55-63
• 6.3.1 对照实验及结果55-56
• 6.3.2 样本批量大小的影响56-58
• 6.3.3 FNN对结果的影响58-61
• 6.3.4 RNN历史状态对结果的影响61-62
• 6.3.5 模型收敛速率62-63
• 6.4 本章小结63-64
• 第7章 总结与展望64-66
• 7.1 工作总结64
• 7.2 未来展望64-66
• 参考文献66-73
• 攻读硕士学位期间主要的研究成果73-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 徐义峰;徐云青;刘晓平;;一种基于时间序列性的推荐算法[J];计算机系统应用;2006年10期

2 余小鹏;;一种基于多层关联规则的推荐算法研究[J];计算机应用;2007年06期

3 张海玉;刘志都;杨彩;贾松浩;;基于页面聚类的推荐算法的改进[J];计算机应用与软件;2008年09期

4 张立燕;;一种基于用户事务模式的推荐算法[J];福建电脑;2009年03期

5 王晗;夏自谦;;基于蚁群算法和浏览路径的推荐算法研究[J];中国科技信息;2009年07期

6 周珊丹;周兴社;王海鹏;倪红波;张桂英;苗强;;智能博物馆环境下的个性化推荐算法[J];计算机工程与应用;2010年19期

7 王文;;个性化推荐算法研究[J];电脑知识与技术;2010年16期

8 张恺;秦亮曦;宁朝波;李文阁;;改进评价估计的混合推荐算法研究[J];微计算机信息;2010年36期

9 夏秀峰;代沁;丛丽晖;;用户显意识下的多重态度个性化推荐算法[J];计算机工程与应用;2011年16期

10 杨博;赵鹏飞;;推荐算法综述[J];山西大学学报(自然科学版);2011年03期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：270284