基于深度神经网络的推荐系统研究

发布时间：2021-04-18 16:39

　　随着互联网的深入普及与蓬勃发展,网络应用担当的角色逐渐从一个以信息资源为中心的内容提供者,发展成为一个以人为中心的交互式平台化网络。如今我们正进入由移动互联网所引领的大数据时代。在大数据时代的背景下,众多的网络应用给人们的日常生活、工作学习、休闲娱乐等带来了极大的便利,然而也产生了一些问题。一方面,巨量的网络数据信息使信息超载成为一种常态,互联网用户在寻找与自己兴趣相关的信息时,遇到了极大的困扰。另一方面,如何在互联网平台上向潜在的感兴趣的用户呈现海量数据,以提高服务水平,对于服务提供者而言也是一个很大的困难。推荐系统就是为解决这些问题而设计的,它的主要功能是从海量的信息中发现用户感兴趣的内容。淘宝、亚马逊等互联网平台在采用推荐系统方面的成功经验表明了,推荐系统不但可以提供给互联网用户较好的使用体验,还能为企业创造极大的商业价值。目前,传统的推荐方法主要可以划分为两类,基于内容的推荐方法和基于协同过滤的推荐方法。基于内容的推荐方法仅通过文本属性特征为用户筛选出那些相似的项目,缺乏对用户反馈信息的挖掘,存在着推荐内容同质化和用户端冷启动等问题;基于协同过滤的推荐,依赖用户与项目的交互信息... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

推荐系统的概况Fig.2-1Theoverviewoftherecommendationsystem

过程中是有所不同的，下面简单介绍两种协同过滤算法的主要思想。（1）基于项目的协同过滤图2-2 基于项目的协同过滤示意图Fig.2-2 The schematic of item-based collaborative filtering

-11-（2）基于用户的协同过滤如图2-3所示是基于用户的协同过滤示意图，与基于项目的协同过滤不同，基于用户的协同过滤方法是从衡量用户的相似度的角度出发，给目标用户推荐与其相似度较高的其他用户所喜欢的项目，这里用户之间的相似度是通过衡量他们之间历史评分记录的接近程度来计算得到的。图2-3 基于用户的协同过滤示意图Fig.2-3 The schematic of user-based collaborative filtering被用户 和 共同评价过的项目集合为 = ∩ ，那么用户 和用户 的Pearson相关性计算方法未下式所示：( , ) =∑, , ∈∑, ∈∑, ∈(2-12)其中 和 分别代表用户 和 对项目 的评分的平均值。在确定了与目标用户 的相似度较高的近邻用户之后，可以通过这些相似用户对项目的评分来预测目标用户对未评分项目的评分值，计算方法如下所示：,= +∑ ( , ), ∈∑ | ( , )|∈(2-13)其中， 为目标用户的相似度较高的近邻用户集合


本文编号：3145810