一种基于神经网络和双重聚类的协同过滤算法研究
发布时间：2021-05-22 16:27
随着互联网技术迅猛发展,网络信息量呈几何式增长,为人们的日常生活带来了巨大的便利,但是同时这也给人们带来了信息过载的问题。在这种情况下,推荐系统应运而生,个性化推荐系统根据用户的兴趣偏好和需求等信息,从庞杂的互联网信息中获取用户感兴趣的内容并推荐给用户,在缓解信息过载的问题上扮演了至关重要的角色,成为了互联网时代不可或缺的技术应用,并广泛应用于各个领域。推荐算法作为推荐系统的核心,近年来备受学术界和工业界的关注和研究。协同过滤算法是当前应用最广泛的推荐算法。随着用户和物品规模的逐渐扩大,评分数据的稀疏性进一步增长。基于近邻的协同过滤算法,通过评分向量的相似度衡量用户或物品之间的相似性,算法的可解释性强,易于实现,然而在评分数据稀疏的情况下评分预测效果并不好,仍有较大的提升空间。矩阵分解作为基于模型的协同过滤算法具有良好的可扩展性,由于其良好的推荐效果,受到了广泛的关注。传统的矩阵分解技术通过用户潜在特征和物品潜在特征的内积来补全原始评分,进而进行评分预测,然而矩阵内积这样简单的线性交互函数,无法捕获用户与物品更深层次、更复杂的潜在特征表示。此外,与基于近邻的协同过滤算法不同,矩阵分解技...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 论文研究内容
1.4 论文组织结构
第2章 相关理论与技术
2.1 推荐算法概述
2.1.1 协同过滤算法原理
2.1.2 协同过滤算法分类
2.2 基于近邻的协同过滤算法
2.2.1 基于用户的协同过滤算法
2.2.2 基于物品的协同过滤算法
2.3 基于模型的协同过滤算法
2.3.1 基于聚类的协同过滤算法
2.3.2 基于矩阵分解的协同过滤算法
2.3.3 基于贝叶斯网络的模型
2.4 深度神经网络
2.4.1 反向传播算法
2.4.2 多层感知机
2.4.3 激活函数
2.5 推荐系统常用评价指标
2.5.1 评分预测问题
2.5.2 Top-N推荐问题
2.6 本章小结
第3章 基于深度神经网络的矩阵分解推荐模型
3.1 引言
3.2 模型设计和描述
3.2.1 模型输入
3.2.2 模型网络结构
3.2.3 激活函数
3.2.4 模型输出
3.3 模型训练
3.3.1 目标函数
3.3.2 模型训练
3.4 实验结果与分析
3.4.1 实验数据集和环境介绍
3.4.2 对比算法
3.4.3 实验结果
3.4.4 参数分析
3.5 本章小结
第4章 基于用户和物品的双重聚类的协同过滤算法
4.1 引言
4.2 基于用户和物品的双重聚类协同过滤算法
4.2.1 聚类算法改进
4.2.2 双重聚类
4.2.3 改进的相似度计算方法
4.2.4 计算预测评分
4.3 实验及结果分析
4.3.1 实验结果
4.3.2 参数分析
4.4 本章小结
第5章 总结与展望
5.1 全文总结
5.2 研究展望
参考文献
致谢
在学期间所发表的文章
【参考文献】：
期刊论文
[1]基于信任聚类的协同过滤推荐算法[J]. 王菲,黄刚,朱峥宇. 计算机技术与发展. 2019(05)
[2]基于聚类的非负矩阵分解推荐算法研究[J]. 骆孜,龙华,邵玉斌,杜庆治. 通信技术. 2018(11)
[3]自适应用户的Item-based协同过滤推荐算法[J]. 汪从梅,王成良,徐玲. 计算机应用研究. 2013(12)
[4]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)
[5]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[6]SA-DBSCAN:一种自适应基于密度聚类算法[J]. 夏鲁宁,荆继武. 中国科学院研究生院学报. 2009(04)
[7]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)
本文编号：3201313
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 论文研究内容
1.4 论文组织结构
第2章 相关理论与技术
2.1 推荐算法概述
2.1.1 协同过滤算法原理
2.1.2 协同过滤算法分类
2.2 基于近邻的协同过滤算法
2.2.1 基于用户的协同过滤算法
2.2.2 基于物品的协同过滤算法
2.3 基于模型的协同过滤算法
2.3.1 基于聚类的协同过滤算法
2.3.2 基于矩阵分解的协同过滤算法
2.3.3 基于贝叶斯网络的模型
2.4 深度神经网络
2.4.1 反向传播算法
2.4.2 多层感知机
2.4.3 激活函数
2.5 推荐系统常用评价指标
2.5.1 评分预测问题
2.5.2 Top-N推荐问题
2.6 本章小结
第3章 基于深度神经网络的矩阵分解推荐模型
3.1 引言
3.2 模型设计和描述
3.2.1 模型输入
3.2.2 模型网络结构
3.2.3 激活函数
3.2.4 模型输出
3.3 模型训练
3.3.1 目标函数
3.3.2 模型训练
3.4 实验结果与分析
3.4.1 实验数据集和环境介绍
3.4.2 对比算法
3.4.3 实验结果
3.4.4 参数分析
3.5 本章小结
第4章 基于用户和物品的双重聚类的协同过滤算法
4.1 引言
4.2 基于用户和物品的双重聚类协同过滤算法
4.2.1 聚类算法改进
4.2.2 双重聚类
4.2.3 改进的相似度计算方法
4.2.4 计算预测评分
4.3 实验及结果分析
4.3.1 实验结果
4.3.2 参数分析
4.4 本章小结
第5章 总结与展望
5.1 全文总结
5.2 研究展望
参考文献
致谢
在学期间所发表的文章
【参考文献】：
期刊论文
[1]基于信任聚类的协同过滤推荐算法[J]. 王菲,黄刚,朱峥宇. 计算机技术与发展. 2019(05)
[2]基于聚类的非负矩阵分解推荐算法研究[J]. 骆孜,龙华,邵玉斌,杜庆治. 通信技术. 2018(11)
[3]自适应用户的Item-based协同过滤推荐算法[J]. 汪从梅,王成良,徐玲. 计算机应用研究. 2013(12)
[4]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)
[5]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[6]SA-DBSCAN:一种自适应基于密度聚类算法[J]. 夏鲁宁,荆继武. 中国科学院研究生院学报. 2009(04)
[7]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)
本文编号：3201313
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3201313.html
