基于深度神经网络的个性化商品推荐研究

发布时间：2021-08-17 23:21

　　随着用户和商品内容的快速增长,导致用户越来越难凭借手动搜索或逐一查看的方式获得自己感兴趣的商品,为了提升用户的消费体验和效率,互联网平台利用推荐系统帮助用户在选购商品时提供参考,借助推荐算法挖掘出用户最可能喜欢的商品进行推送。但传统的推荐算法在面对历史交互数据稀疏或新商品推荐的情形时都存在明显的不足,在推荐领域使用深度神经网络的方法可以有效的解决以上问题。本文将基于潜在特征的模型与深度神经网络有效结合在一起,提出了两种混合推荐算法,能够同时从商品内容信息和历史交互信息中挖掘特征,分别应用于不同生命周期的商品推荐。最后根据商品特点构建了基于深度神经网络的推荐框架,为不同的商品匹配合适的算法,提升推荐的准确性。本文的主要工作包括:（1）详细分析了传统推荐算法结合深度学习技术的发展历程和研究现状,提出了目前研究中存在的不足,给出了造成这些不足的原因并给出解决的思路。将本论文中所涉及到的相关理论基础进行介绍,分别对协同过滤算法、基于内容的推荐和深度神经网络的基本思想、理论背景和实际应用中适用情况展开介绍。（2）新商品缺乏历史交互数据,通过引入图像数据并利用卷积神经网络从中提取商品视觉内容特征作... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

基于内容的推荐主要内容

第二章 相关理论基础力机制的长短期记忆神经网络络一般用以解决分类问题或特征提取问题，它现实中的很多数据不满足这一条件，如文本这一个重要的特点，即前后数据存在关系，而卷积掘出上下文交互信息。循环神经网络专门用以列和空间序列关系[35,36]。如图 2.4 所示，这是一侧将左侧结构进行展开，图中的箭头表示数据 y 是样本的标签，L 是损失函数，o 代表输出， t 表示 t 时刻的状态。循环神经网络最大的特连接，通过这种链式结构和记忆方式，前面的节响作用不断累积和记忆，可以很好的挖掘出文

图 2.7 改进后的 Encoder-Decoder 模型Fig 2.7 Improved Encoder-Decoder model量 vi的计算过程体现了注意机制的思想似度，该相似度代表了注意力的权重，是改进了上下文向量的计算方法，但相似经网络在处理数据时能够将注意力集中术加入了基于注意力的机制，取得了不基础上 LSTM 加入了门限的结构让整个相关信息，克服了 RNN 的不足，并加入因此本文尝试将这一方法应用于推荐领域及到的一些关键技术。首先描述了核心状等内容，针对协同过滤算法和基于内容


本文编号：3348706