基于深度学习的智能化资源推荐方法研究

发布时间：2020-12-12 02:00

　　现如今,人们生活在一个信息爆炸的时代。对于信息消费者来说,他们需要消耗大量的精力和时间来筛选自己感兴趣的信息,而对于信息生产者来说,他们需要考虑如何智能化地向用户推荐其感兴趣的信息。为了解决这一问题,推荐技术应运而生。根据推荐算法的不同,推荐系统可以分成基于内容推荐、协同过滤推荐、混合推荐等等。其中,协同过滤推荐是目前运用最广的推荐算法。但是,由于传统推荐技术的局限性,推荐系统往往存在着数据稀疏性、精度低等问题。深度学习的兴起,为推荐系统领域提供了新思路。在传统推荐技术的基础上,引入深度学习,将更好地解决推荐系统所存在的问题,进一步提高精度。本课题针对推荐系统和深度学习进行了相关的调查、研究、实验和分析,提出了一种基于深度学习的智能化资源推荐模型,卷积长短期矩阵分解模型（CnnLstmMF）,方法步骤如下:（1）传统的推荐系统往往使用简单的用户行为数据,如评分数据。而相对于评分数据,评论数据更能反应出用户的真实情感和对某个项目偏爱的具体原因,具有很高的应用价值。因此本课题在采用用户对项目的评分数据的同时,还引入了辅助行为数据,即用户对项目的评论数据。（2）由于传统文本表示方法词袋（Ba... 

【文章来源】：福州大学福建省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

图１－１?Ａｍａｚｏｎ推荐商品??

卷积阶段主要通过提取信息的不同特征，实现对输入信息的特定模式的观测。??观察模式又称卷积核，每个卷积核将检测每一个输入特征图上的所有特征，实现??权值共享［４３】。??非线性变换阶段则是对卷积阶段得到的特征按照一定的规则进行筛选，筛选??规则一般采用非线性变换的方式，从而避免线性模型难以描述、表达能力不够等??问题。非线性阶段将卷积阶段所提取的特征作为输入，进行非线性映射ｙ?＝?／〇）。??传统的卷积网络采用Ｓｉｇｍｏｉｄ、Ｔａｎｈ等饱和非线性函数进行非线性变换，近几年??多采用不饱和非线性函数（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ，ＲｅＬＵ）进行操作。相比于传??统的饱和非线性函数，ＲｅＬＵ在训练梯度下降时具有更快的收敛速度。??（１）?Ｓｉｇｍｏｉｄ函数公式表示如下：??ｙ＝ｌＴ７＾?公式（３－１〇）??Ｓｉｇｍｏｉｄ函数，曾被广泛地应用在神经网络中。该函数具有如下特性：当ｘ趋??，０；ｘ正，近１；ｘ?＝?０，＝?０．５；??

ＷｊＸ／ＩｊＸ／Ｉｊ?１?２?３??图３－２单层卷积神经网络的阶段结构图??卷积阶段主要通过提取信息的不同特征，实现对输入信息的特定模式的观测。??观察模式又称卷积核，每个卷积核将检测每一个输入特征图上的所有特征，实现??权值共享［４３】。??非线性变换阶段则是对卷积阶段得到的特征按照一定的规则进行筛选，筛选??规则一般采用非线性变换的方式，从而避免线性模型难以描述、表达能力不够等??问题。非线性阶段将卷积阶段所提取的特征作为输入，进行非线性映射ｙ?＝?／〇）。??传统的卷积网络采用Ｓｉｇｍｏｉｄ、Ｔａｎｈ等饱和非线性函数进行非线性变换，近几年??多采用不饱和非线性函数（Ｒｅｃｔｉｆｉｅｄ?Ｌｉｎｅａｒ?Ｕｎｉｔｓ，ＲｅＬＵ）进行操作。相比于传??统的饱和非线性函数


本文编号：2911644