基于卷积神经网络的协同过滤算法研究

发布时间：2020-09-05 09:40

　　 在这个信息爆炸的时代,推荐系统被广泛的运用于各种在线服务中以此来应对信息过载。协同过滤作为推荐系统的主要技术手段,不仅仅会从用户的行为历史来获取用户偏好,而且会利用其他用户的行为数据来更好的推断用户的行为偏好。近些年来,神经网络因其在计算机视觉、自然语言处理等领域的出色表现,也受到了推荐系统的青睐。神经协同过滤算法通过拼接用户和物品向量,并使用多层感知机来学习用户向量和物品之间的交互关系,在隐式反馈推荐问题上取得了很好的结果。然而后续的研究发现,这样的向量组合方法并不能很好的表达用户物品向量之间的复杂结构关系。为了更好的学习用户向量和物品向量维度之间的关联关系,提出通过堆叠向量形成履带的方式,来组织用户和物品向量,并通过应用卷积神经网络来学习向量维度间多层面的关联关系,进而更好的学习用户物品的交互关系函数。一方面堆叠向量可以让向量的维度间呈现局部关系,相对于拼接向量可以更好的建立向量局部维度间的关联。另一方面可以通过堆叠转化而来的用户物品向量或者隐式因子向量来进行扩展。而卷积神经网络非常擅长局部特征的提取,因此可以利用其来充分的挖掘向量局部维度间的关联关系。对于基于堆叠向量的卷积神经网络协同过滤算法,采用Amazon上的数据集进行实验与验证,并在基于Top-K的推荐上与当前主流的基于神经网络的协同过滤算法进行对比。结果表明,所提出的基于堆叠向量的卷积神经网络协同过滤算法在相同的数据集下超越了当前主流的基于神经网络的协同过滤算法。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.3;TP183
【部分图文】：

SEC3NCF与SEC2NCF设置不同的特征图数量的实验结果

【相似文献】

相关期刊论文 前10条

1 许媛萍;;基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J];新闻研究导刊;2018年13期

2 李改;邹小青;;基于隐式反馈的协同过滤算法研究综述[J];福建电脑;2018年11期

3 胡致杰;胡羽沫;;协同过滤推荐瓶颈问题研究[J];无线互联科技;2016年09期

4 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

5 张家鑫;刘志勇;张琳;张倩;莎仁;;基于协同过滤的多维度电影推荐方法研究[J];长春理工大学学报(自然科学版);2019年02期

6 杨莉;;基于时间因子的协同过滤算法研究[J];电脑知识与技术;2019年09期

7 章宗杰;陈玮;;基于标签扩展的协同过滤算法在音乐推荐中的应用[J];软件导刊;2018年01期

8 王婵;;一种基于加权因子的混合协同过滤算法[J];电脑知识与技术;2018年09期

9 刘文佳;张骏;;改进的协同过滤算法在电影推荐系统中的应用[J];现代商贸工业;2018年17期

10 吴佳婧;贺嘉楠;王越群;董立岩;;基于项目属性分类的协同过滤算法研究[J];吉林大学学报(信息科学版);2018年04期

相关会议论文 前10条

1 孙见山;徐东;姜元春;;融合人格信息的单分类协同过滤方法研究[A];第十二届（2017）中国管理学年会论文集[C];2017年

2 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

3 陈曦;;基于二阶定时修正协同过滤系统的信息推荐算法[A];2019年第二届钢铁工业智能制造发展论坛会议论文集[C];2019年

4 骆正清;郑涛;;基于标签聚类的协同过滤推荐算法[A];第十三届（2018）中国管理学年会论文集[C];2018年

5 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

6 孙铁利;杨焱;邱春艳;;基于内容预测的协同过滤推荐[A];2005年全国理论计算机科学学术年会论文集[C];2005年

7 刘牧;杨智强;王衡;;基于普适计算的日程发现方法探讨[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【poster】[C];2011年

8 潘崇伦;张弛;;协同过滤的自服务模式在水务信息基础架构管理中的研究[A];大数据时代的信息化建设——2015（第三届）中国水利信息化与数字水利技术论坛论文集[C];2015年

9 陶红亮;王明文;曹瑛;;基于项目平滑和聚类的协同过滤推荐算法[A];第二十三届中国数据库学术会议论文集（技术报告篇）[C];2006年

10 易們;杨成;柴智;;基于重排序的新用户TOPN推荐方法研究[A];第十九届中国科协年会——分4信息新技术 东北新工业论坛论文集[C];2017年

相关重要报纸文章 前3条

1 林嘉澍;从搜索到发现[N];经济观察报;2007年

2 本报记者 沈佳;数据大了 决策准了[N];山西日报;2014年

3 林嘉澍;若邻网络：发掘网上的真实人脉[N];经济观察报;2007年

相关博士学位论文 前10条

1 符明晟;基于深度学习的智能推荐技术研究[D];电子科技大学;2019年

2 顾梁;播存结构中基于协同过滤的内容推荐技术研究[D];东南大学;2017年

3 袁卫华;面向稀疏数据的多视图个性化推荐方法研究[D];山东师范大学;2018年

4 孙小华;协同过滤系统的稀疏性与冷启动问题研究[D];浙江大学;2005年

5 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

6 段锐;融合文本内容与情境信息的协同过滤推荐方法研究[D];合肥工业大学;2017年

7 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

8 张雪洁;基于QoS的个性化云服务推荐方法研究[D];南京航空航天大学;2015年

9 姜邵巍;基于竞争关系的推荐技术研究[D];北京邮电大学;2014年

10 王立才;上下文感知推荐系统若干关键技术研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 章琦;基于协同过滤的全球AI挑战赛社区的设计与实现[D];北京交通大学;2019年

2 刘运冲;基于改进的时间与用户影响的协同过滤算法[D];安徽理工大学;2019年

3 任德源;基于用户分层结构的个性化推荐方法[D];合肥工业大学;2019年

4 李启序;基于协同过滤的个性化推荐系统的研究[D];安徽理工大学;2019年

5 郑涛;一种改进的协同过滤算法及其在推荐系统中的应用[D];合肥工业大学;2019年

6 张杨;基于领域知识图谱实体消歧的协同过滤推荐算法研究[D];天津师范大学;2019年

7 王茹玉;基于信息推荐的中药适应症发现方法研究[D];北京交通大学;2019年

8 张翔;个性化小说推荐系统的设计与实现[D];北京交通大学;2019年

9 祝月芳;基于协同过滤的电影票务系统设计与实现[D];北京交通大学;2019年

10 周安琪;个性化推荐的协同过滤算法探究[D];上海交通大学;2017年

本文编号：2812866