基于深度神经网络的推荐模型研究
发布时间：2021-02-06 05:48
传统的协同过滤推荐算法使用观测到的评分值预测缺失的值,方法简单且快速,但它忽略了数据集中变量之间可能发生的交互,不能很好的反映用户和项目之间的非线性关系,预测评分和真实评分之间的误差较大,不适当的估算会增加数据集中的噪声,随着稀疏度的增加会变得越来越糟糕。而且易受到冷启动问题的困扰。针对这些问题,本文将深度神经网络引入到推荐算法,提出两种混合推荐模型,利用多层感知机来学习用户和项目之间的非线性关系,以缓解传统推荐算法中的数据稀疏和冷启动问题,提高推荐性能。第一种推荐模型结合用户和项目的信息的深度神经网络的推荐模型DNCF。通过神经网络提取用户和项目的属性特征,针对使用词袋模型处理文本信息,不能很好的区分词在文本中的语义特征,提出使用卷积神经网络处理文本辅助信息,生成可有效表示文本深层语义的潜在特征,同时将文本特征结合与其对应的项目特征。对于传统模型中使用户和项目特征的内积不足以预估用户和项目之间的复杂交互问题,提出使用多层感知机来学习用户和项目之间的交互关系,将用户和项目特征输入多层感知器来预测评分,并根据评分为用户提供推荐。第二种推荐模型m DAE结合用户和项目信息与评分数据,由于评...
【文章来源】：南宁师范大学广西壮族自治区
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
神经网络中的激活函数
( ) ( )( )u Uu UR u T urecallT u I准确度公式为：u( ) ( )1u UUR u T uMAPU N I表示推荐系统在测试集上为用户生成的推荐列表，T (u )表示用户在测试项目，N 表示推荐列表个数。验内容实验在 ml-100k、ml-1m、ml-10M、amazon 数据集上进行，以 5 次实验，实验的第一部分测试了本章提出的算法模型的有效性，第二部分对不了对比分析。训练结果m 数据迭代 20 次部分实验结果：
图 4-4 实验训练误差实验使用 MSE 函数进行训练，根据实验的训练结果可以看出，在迭代 10 次时，方差降到 0.9X，在迭代 20 次时，误差在平方方差降到 0.8X，可见结合深度学习用户的属性，电影的属性和项目描述文档，数据更加完整，准确度提高，误差降 4-4 可以看出在迭代次数 10 次左右时误差逐渐降低，函数趋于收敛。代次数对实验结果的影响训练模型时，模型的训练效果会受训练的次数 Epochs 的影响，就迭代的次数对算影响，在数据集上进行了实验。实验的均方误差如图 4-5，具体均方根误差值如表表 4-2 迭代次数对实验结果的影响dataset迭代次数 Epochs20 40 60 80 100ml-100k 0.8032 0.7235 0.7132 0.7013 0.6826ml-1m 0.7432 0.6861 0.6746 0.6659 0.6589ml-10m 0.7576 0.7010 0.6851 0.6703 0.6683amazon 0.9706 0.9471 0.9261 0.9063 0.8952
【参考文献】：
期刊论文
[1]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[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]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[4]基于自动编码器组合的深度学习优化方法[J]. 邓俊锋,张晓龙. 计算机应用. 2016(03)
[5]基于排序学习的推荐算法研究综述[J]. 黄震华,张佳雯,田春岐,孙圣力,向阳. 软件学报. 2016(03)
[6]基于用户属性和评分的协同过滤推荐算法[J]. 丁少衡,姬东鸿,王路路. 计算机工程与设计. 2015(02)
[7]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[8]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[9]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[10]协同过滤推荐算法综述[J]. 马宏伟,张光卫,李鹏. 小型微型计算机系统. 2009(07)
本文编号：3020256
【文章来源】：南宁师范大学广西壮族自治区
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
神经网络中的激活函数
( ) ( )( )u Uu UR u T urecallT u I准确度公式为：u( ) ( )1u UUR u T uMAPU N I表示推荐系统在测试集上为用户生成的推荐列表，T (u )表示用户在测试项目，N 表示推荐列表个数。验内容实验在 ml-100k、ml-1m、ml-10M、amazon 数据集上进行，以 5 次实验，实验的第一部分测试了本章提出的算法模型的有效性，第二部分对不了对比分析。训练结果m 数据迭代 20 次部分实验结果：
图 4-4 实验训练误差实验使用 MSE 函数进行训练，根据实验的训练结果可以看出，在迭代 10 次时，方差降到 0.9X，在迭代 20 次时，误差在平方方差降到 0.8X，可见结合深度学习用户的属性，电影的属性和项目描述文档，数据更加完整，准确度提高，误差降 4-4 可以看出在迭代次数 10 次左右时误差逐渐降低，函数趋于收敛。代次数对实验结果的影响训练模型时，模型的训练效果会受训练的次数 Epochs 的影响，就迭代的次数对算影响，在数据集上进行了实验。实验的均方误差如图 4-5，具体均方根误差值如表表 4-2 迭代次数对实验结果的影响dataset迭代次数 Epochs20 40 60 80 100ml-100k 0.8032 0.7235 0.7132 0.7013 0.6826ml-1m 0.7432 0.6861 0.6746 0.6659 0.6589ml-10m 0.7576 0.7010 0.6851 0.6703 0.6683amazon 0.9706 0.9471 0.9261 0.9063 0.8952
【参考文献】：
期刊论文
[1]基于降噪自动编码器的推荐算法[J]. 武玲梅,陆建波,刘春霞. 计算机与现代化. 2018(03)
[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]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[4]基于自动编码器组合的深度学习优化方法[J]. 邓俊锋,张晓龙. 计算机应用. 2016(03)
[5]基于排序学习的推荐算法研究综述[J]. 黄震华,张佳雯,田春岐,孙圣力,向阳. 软件学报. 2016(03)
[6]基于用户属性和评分的协同过滤推荐算法[J]. 丁少衡,姬东鸿,王路路. 计算机工程与设计. 2015(02)
[7]协同过滤推荐技术综述[J]. 冷亚军,陆青,梁昌勇. 模式识别与人工智能. 2014(08)
[8]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛. 电子科技大学学报. 2012(02)
[9]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[10]协同过滤推荐算法综述[J]. 马宏伟,张光卫,李鹏. 小型微型计算机系统. 2009(07)
本文编号：3020256
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3020256.html
