基于深度学习的推荐系统算法的研究

发布时间：2021-09-11 14:04

　　随着信息技术的迅猛发展,信息的增长速度越来越快,为了解决信息过载的问题,推荐系统可以帮助人们在海量的信息中快速准确的找到其感兴趣的信息,因此对于推荐系统算法的研究,有着非常重要的实用意义。近年来基于神经网络的深度学习技术取得了重大的突破,在机器视觉识别,人机对弈,自然语言识别等方面都得到了很好的应用,与传统的机器学习算法相比,能取得更优异的性能。同样,在推荐系统的研究领域,人们也开始广泛的采用深度学习来进行研究,并获得了很多的研究成果,相比传统的推荐系统算法,例如协同过滤算法,基于内容的推荐算法等,深度学习算法能取得更好的效果和有着更广泛的适用场景。本论文首先回顾了近年来深度学习在推荐系统领域的研究成果,对其中几种有代表性的深度学习模型,例如自编码神经网络,长短时记忆神经网络,深度宽度结合模型神经网络等进行了较为深入的分析,探讨了不同的深度学习模型的原理。本论文还将深度学习模型应用在实际的推荐系统问题中,以Movielens数据集作为例子,探讨了如何用不同的深度学习模型来对用户所评分过的电影数据进行建模,从而推荐用户感兴趣的电影。最后本论文基于实际的深度学习模型的应用效果,进行对比分析... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

电影评分分布

用户点评电影数量分布图

16图 2-3 电影年份分布图影的活跃度的情况：中横轴代表电影的活跃度，即电影被多少用户评分，纵轴是对应横轴的活数量。从图中我们可以看到，活跃度为 1 的电影有 3063 部，活跃度为 2 02 部。从图 2-4 上看，这个活跃度的分布符合长尾分布的规律。即绝大部度都较低。


本文编号：3393135