基于深度学习和海云协同的推荐方法研究

发布时间：2020-12-31 19:15

　　随着移动上网设备的普及和互联网技术的发展,网络用户的迅速增加,网络资源极大丰富。面对海量的网络资源和用户请求,内容提供商如何构建推荐系统以对网络资源进行检索和筛选、满足用户的个性化需求,成为多媒体推荐领域亟待解决的问题。而大规模场景下,传统推荐算法存在扩展性、冷启动、数据稀疏性、模型更新等问题,难以为用户提供个性化优质信息和服务。本论文针对推荐算法中的数据稀疏性问题进行研究,主要集中于以下三个方面:1.用户偏好的存在使得用户仅会与推荐系统中感兴趣的物品进行交互,进而导致数据稀疏。然而用户偏好会随着时间的推移而动态变化,因此需要对用户偏好的时序特征进行进一步研究。2.网络资源的丰富使得推荐系统中的数据规模更加庞大,数据更加稀疏,数据分布的不均衡性进一步凸显。如何使推荐系统学习到小众物品的特征,解决数据稀疏问题,是当前大规模推荐中的研究热点和难点。3.移动网络用户的增长和用户个性化需求的增加给现有推荐系统带来了巨大的负载压力。如何对云端大规模推荐系统的负载进行卸载,同时满足用户的个性化需求,是当前个性化多媒体推荐研究的热点问题。面对以上的三个方面的问题,本论文的主要工作和创新点包括以下四点... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：135 页

【学位级别】：博士

【部分图文】：

017年12月一018年12月中国网民各类手机互联网应用的使用率川

传统的推荐算法以协同过滤（ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ，?ＣＦ）、基于内容的推荐??（ｃｏｎｔｅｎｔ－ｂａｓｅｄ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ）、矩阵分解（ｍａｔｒｉｘ?ｆａｃｔｏｒｉｚａｔｉｏｎ，?ＭＦ）等算法为??主。然而由于用户和资源数目飞速增长，这些算法所需要的计算、存储等资源呈??爆炸式增长。海量的数据给推荐系统带来巨大的负载，同时也为算法学习用户特??征提供了资源，但是受限于算法本身，这些算法的性能并没有很大的提升。??而面对海量数据的处理，深度学习算法在自然语言处理（ｎａｔｕｒａｌ?ｌａｎｇｕａｇｅ??ｐｒｏｃｅｓｓｉｎｇ，?ＮＬＰ）、图像处理（ｉｍａｇｅ?ｐｒｏｃｅｓｓｉｎｇ）、人脸识别（ｆａｃｉａｌ?ｒｅｃｏｇｎｉｔｉｏｎ）??

推荐系统中的数据稀疏是指每个用户仅与系统中的少量物品进行交互，导致推??荐算法难以从中完整地学习到用户偏好。数据稀疏问题的产生是由于每个用户??都有着不同的兴趣喜好，因此用户只会与系统中自己感兴趣的物品进行交互，忽??略系统中其他不喜欢和暂时不感兴趣的物品。同时对于感兴趣的物品，用户也只??会与其中已经被发现的物品进行交互，仍然有大量用户感兴趣的物品被海量的??其他物品所淹没。而用户和物品规模的扩大，局部聚集的数据被汇聚在一起，使??得推荐系统中的数据更加稀疏。??由用户偏好带来的数据稀疏问题给推荐算法的性能带来了灾难性的影响。因??为用户的偏好是多种多样且覆盖广泛的，正如长尾（ｌｏｎｇｔａｉｌ）效应［１２］所说，单??一用户所感兴趣的物品中仅有少量为热门物品，其余的大部分物品在推荐系统??中可能仍属于小众物品，相对整个用户群体来说，仅有少量用户会喜欢该物品。??如图１．４所示，在不同的数据集中，物品的流行度和用户的活跃度都呈现出长尾??分布。所以推荐算法想从稀疏的数据中学习用户偏好非常困难。????１００?ｏ？］?：???，?Ｓｉ??

【参考文献】：
期刊论文
[1]基于深度学习加强的混合推荐方法[J]. 张敏,丁弼原,马为之,谭云志,刘奕群,马少平.  清华大学学报(自然科学版). 2017(10)
[2]一种现场、弹性、自治的网络服务系统——海服务系统研究与设计[J]. 王劲林,田静,尤佳莉,刘学,邓浩江.  中国科学:信息科学. 2015(10)
[3]海云协同环境下服务运营环境关键技术的探讨[J]. 马斌,冯波.  网络新媒体技术. 2015(02)
[4]大规模互联网推荐系统优化算法[J]. 姜鹏,许峰,周文欢.  计算机工程与科学. 2013(12)



本文编号：2950161