基于深度学习的电影个性化推荐算法研究
发布时间：2020-12-25 01:34
近些年来,随着信息技术以及互联网的飞速发展,通过网络观看电影已成为了许多人的一种习惯。然而,由于人们无法从海量的电影资源中快速获取自己喜爱的电影内容,这使得电影信息的过载现象变得愈发严重。作为缓解信息过载问题的重要手段之一,推荐系统可以帮助用户快速找到喜爱的电影内容,为用户带来良好的使用体验,因此其在国内外知名电影及视频网站中得到广泛应用,并带来了巨大的商业价值。推荐算法模块是电影推荐系统的核心,决定了一个推荐系统的优劣。在众多的个性化推荐算法中,协同过滤算法由于其简单性、有效性、准确性而成为了目前应用最为广泛的技术之一。然而,随着用户及电影项目数量的急剧增加,数据稀疏性问题成为了传统协同过滤算法面临的一大挑战,严重影响了推荐质量,导致用户体验度较差。此外,传统的协同过滤算法无法有效提取数据中的非线性因素,且考虑的数据角度单一,这也使得算法性能受限。随着深度学习技术的蓬勃发展,将传统推荐算法与深度学习技术相融合解决上述问题成为了新的发展趋势。针对以上问题,本文在现有研究的基础上,将改进加权Slope One方法与深度学习中的自编码器相结合,在缓解数据稀疏性问题的同时,学习数据集的更深层...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－２神经元模型??如图２－３所示，神经元的信息处理过程可做如下描述：对于输入的ｍ个特征，??神经元首先为每个特征＼分配一个权重ｗ，，并将每个特征与其对应权重相乘之后再??■
ｒ＾＼??＾註学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??＿??输入层?隐藏层?输出层??图２－３三层神经网络模型??在上面的神经网络模型中，最左边的输入层包含四个神经元，分别以全连接的??方式与隐藏层的五个神经元相连，而隐藏层的神经元也同样以全连接的方式与输出??层的四个神经元相连接，这三层网络一起构成了一个全连接（Ｆｕｌｌ?Ｃｏｎｎｅｃｔｅｄ）神经??网络。需要注意的是，上图为了展示神经网络的结构，每层仅包含少量的神经元，??而在实际应用中，每一层都含有成百上千的神经元用于处理复杂信息。??在许多时候，单隐藏层神经网络难以挖掘特征之间的高阶交互，如多个特征对??目标的共同影响。此时，深度神经网络作为拥有多个隐藏层的复杂神经网络，开始??得到人们的广泛关注和研宄，并在许多复杂任务的处理上取得了显著的成果。由于??深度神经网络具有多个隐藏层，因而能够学习更加抽象的数据特征表示，具有更为??强大的模型学习能力。式（２－１５）给出了深度神经网络的一种公式化表达：??：〇?－［工１丨２?…工ｍ］，??ｚ＾ａ＾ｚ．＋ｂ，），??……?（２－１５）??＝〇－（＾ｒｚＭ＋Ｚ），．），??Ｚ〇ｕｉｐｕｉ?—?＾＂（Ｊ＾ｏｕｌｐｕｌＺｉ?＋?ｂ〇ｕｔｐｕｌ＇）．??其中，ｉ为隐藏层的个数，Ｆ为隐藏层与输出层的每一层神经元之间的权重，６??为每层的偏置向量，〇■（？）为激活函数，ｚ。为初始的输入特征，为神经网络的最??２４??
Ｉ響Ｊｊ硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??函数或恒等函数。??馨??输入层?隐层?输出层??图２－４自编码器网络结构示意图??自编码器的训练目标是令输入Ｘ与输入ｙ尽可能接近，且通过重构误差ｙ）??来衡量这种接近程度。根据输入数据的不同形式及激活函数的不同，可以选择不同??的函数来表示重构误差。若激活函数为恒等函数，可选择式（２－１８）均方误差函数??来表示重构误差；若输入数据满足伯努利分布，则可以选择式（２－１９）的交叉熵。??Ｌ（ｘ，ｙ）?＝?＼＼ｘ－ｙ（?（２－１８）??Ｌ｛ｘ，?ｙ）?＝?［ｘ，?ｌｏｇ（３；，）?＋?（１?－?ｘ，）?ｌｏｇ（ｌ?－?ｙｔ）］?（２－１９）??目前，自编码器在实际中常用于数据去噪以及数据降维。在推荐系统领域，自??编码器主要用于学习用户和项目的隐层特征表示，之后基于这种隐表示预测用户偏??好，应用场景主要包括评分预测、文本推荐等。??２６??
【参考文献】：
期刊论文
[1]基于slope-one算法改进评分矩阵填充的协同过滤算法研究[J]. 向小东,邱梓咸. 计算机应用研究. 2019(04)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]基于用户评论评分与信任度的协同过滤算法[J]. 王余斌,王成良,文俊浩. 计算机应用研究. 2018(05)
[4]个性化推荐系统关键算法探讨[J]. 张普洋,郭剑英. 电脑知识与技术. 2016(27)
[5]基于评论与评分的协同过滤算法[J]. 李伟霖,王成良,文俊浩. 计算机应用研究. 2017(02)
[6]基于用户多属性与兴趣的协同过滤算法[J]. 赵文涛,王春春,成亚飞,孟令军,赵好好. 计算机应用研究. 2016(12)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平. 软件学报. 2009(02)
博士论文
[1]基于深度学习的多源信息融合推荐算法研究[D]. 邢淑凝.山东师范大学 2019
[2]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
硕士论文
[1]基于CNN树的商标识别算法研究[D]. 陆凯笛.华中科技大学 2018
[2]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[3]基于降噪堆栈式自动编码机的协同过滤推荐算法[D]. 牛宝君.重庆大学 2017
[4]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
本文编号：2936693
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
图２－２神经元模型??如图２－３所示，神经元的信息处理过程可做如下描述：对于输入的ｍ个特征，??神经元首先为每个特征＼分配一个权重ｗ，，并将每个特征与其对应权重相乘之后再??■
ｒ＾＼??＾註学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??＿??输入层?隐藏层?输出层??图２－３三层神经网络模型??在上面的神经网络模型中，最左边的输入层包含四个神经元，分别以全连接的??方式与隐藏层的五个神经元相连，而隐藏层的神经元也同样以全连接的方式与输出??层的四个神经元相连接，这三层网络一起构成了一个全连接（Ｆｕｌｌ?Ｃｏｎｎｅｃｔｅｄ）神经??网络。需要注意的是，上图为了展示神经网络的结构，每层仅包含少量的神经元，??而在实际应用中，每一层都含有成百上千的神经元用于处理复杂信息。??在许多时候，单隐藏层神经网络难以挖掘特征之间的高阶交互，如多个特征对??目标的共同影响。此时，深度神经网络作为拥有多个隐藏层的复杂神经网络，开始??得到人们的广泛关注和研宄，并在许多复杂任务的处理上取得了显著的成果。由于??深度神经网络具有多个隐藏层，因而能够学习更加抽象的数据特征表示，具有更为??强大的模型学习能力。式（２－１５）给出了深度神经网络的一种公式化表达：??：〇?－［工１丨２?…工ｍ］，??ｚ＾ａ＾ｚ．＋ｂ，），??……?（２－１５）??＝〇－（＾ｒｚＭ＋Ｚ），．），??Ｚ〇ｕｉｐｕｉ?—?＾＂（Ｊ＾ｏｕｌｐｕｌＺｉ?＋?ｂ〇ｕｔｐｕｌ＇）．??其中，ｉ为隐藏层的个数，Ｆ为隐藏层与输出层的每一层神经元之间的权重，６??为每层的偏置向量，〇■（？）为激活函数，ｚ。为初始的输入特征，为神经网络的最??２４??
Ｉ響Ｊｊ硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??函数或恒等函数。??馨??输入层?隐层?输出层??图２－４自编码器网络结构示意图??自编码器的训练目标是令输入Ｘ与输入ｙ尽可能接近，且通过重构误差ｙ）??来衡量这种接近程度。根据输入数据的不同形式及激活函数的不同，可以选择不同??的函数来表示重构误差。若激活函数为恒等函数，可选择式（２－１８）均方误差函数??来表示重构误差；若输入数据满足伯努利分布，则可以选择式（２－１９）的交叉熵。??Ｌ（ｘ，ｙ）?＝?＼＼ｘ－ｙ（?（２－１８）??Ｌ｛ｘ，?ｙ）?＝?［ｘ，?ｌｏｇ（３；，）?＋?（１?－?ｘ，）?ｌｏｇ（ｌ?－?ｙｔ）］?（２－１９）??目前，自编码器在实际中常用于数据去噪以及数据降维。在推荐系统领域，自??编码器主要用于学习用户和项目的隐层特征表示，之后基于这种隐表示预测用户偏??好，应用场景主要包括评分预测、文本推荐等。??２６??
【参考文献】：
期刊论文
[1]基于slope-one算法改进评分矩阵填充的协同过滤算法研究[J]. 向小东,邱梓咸. 计算机应用研究. 2019(04)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[3]基于用户评论评分与信任度的协同过滤算法[J]. 王余斌,王成良,文俊浩. 计算机应用研究. 2018(05)
[4]个性化推荐系统关键算法探讨[J]. 张普洋,郭剑英. 电脑知识与技术. 2016(27)
[5]基于评论与评分的协同过滤算法[J]. 李伟霖,王成良,文俊浩. 计算机应用研究. 2017(02)
[6]基于用户多属性与兴趣的协同过滤算法[J]. 赵文涛,王春春,成亚飞,孟令军,赵好好. 计算机应用研究. 2016(12)
[7]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[8]互联网推荐系统比较研究[J]. 许海玲,吴潇,李晓东,阎保平. 软件学报. 2009(02)
博士论文
[1]基于深度学习的多源信息融合推荐算法研究[D]. 邢淑凝.山东师范大学 2019
[2]面向推荐系统的关键问题研究及应用[D]. 刘士琛.中国科学技术大学 2014
硕士论文
[1]基于CNN树的商标识别算法研究[D]. 陆凯笛.华中科技大学 2018
[2]基于受限玻尔兹曼机的协同过滤算法研究与应用[D]. 卢兵帅.西安理工大学 2017
[3]基于降噪堆栈式自动编码机的协同过滤推荐算法[D]. 牛宝君.重庆大学 2017
[4]基于聚类的协同过滤推荐算法研究[D]. 陈传瑜.广东工业大学 2016
本文编号：2936693
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2936693.html
