基于深度信念网和隐变量模型的用户偏好模型构建
发布时间：2021-12-09 14:17
随着移动互联网的高速发展,互联网已经与我们生活的方方面面紧密相连,同时也产生了大量的用户行为数据。这些用户行为数据具有海量、高维、内部结构复杂等特征,且蕴含着用户的偏好,用户偏好表达了用户的个人倾向以及可能的行为,因此,构建用户偏好模型,基于偏好模型进行评分预测和偏好估计,为个性化服务、推荐提供有效支撑,具有重要意义。一方面,用户偏好客观存在但无法被直接观测到,用隐变量描述无法直接观测的变量。同时,用户评分数据中各属性间存在复杂的相互依赖关系,而贝叶斯网(Bayesian Network,BN)可以有效的表达属性间任意的依赖关系及其不确定性,并且具有良好的推理能力。含隐变量的贝叶斯网是构建用户偏好模型的一种有效方法,已被广泛的应用于不确定性知识领域。因此本文考虑,用隐变量表示用户偏好,提出基于隐变量模型的评分数据中的用户偏好模型;另一方面,含隐变量的贝叶斯网的构建过程会产生大量中间数据,使得计算复杂度急剧上升,因此本文考虑在含隐变量的贝叶斯网的基础上引入深度信念网络(Deepbelief Network,DBN)分类器构建用户偏好模型,降低模型构建复杂度。具体来说,本文采用DBN对评分...
【文章来源】： 云南大学云南省 211工程院校
【文章页数】：68 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 用户偏好建模
1.2.2 基于深度信念网络的用户偏好建模
1.2.3 基于用户偏好模型的偏好估计和评分预测
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 基础知识
2.1 贝叶斯网
2.1.1 贝叶斯网简介
2.1.2 贝叶斯网的构建
2.1.3 贝叶斯网的推理
2.2 隐变量模型
2.2.1 隐变量模型简介
2.2.2 隐变量模型构建
2.3 深度信念网络简介
2.3.1 受限玻尔兹曼机
2.3.2 深度信念网络模型
2.3.3 深度信念网络分类器
第三章 用户偏好建模
3.1 模型相关定义
3.2 基于DBN的评分数据分类
3.3 CSBN模型构建
3.3.1 约束条件
3.3.2 基于约束的CSBN参数学习
3.3.3 基于约束的CSBN结构学习
3.4 本章小结
第四章 基于CSBN模型的评分预测和偏好估计
4.1 基于变量消元法的CSBN模型推理
4.2 基于CSBN模型推理的用户偏好估计
4.3 基于CSBN模型推理的评分预测
4.4 本章小结
第五章 实验结果与分析
5.1 实验相关设置
5.1.1 实验环境设置
5.1.2 实验数据
5.1.3 偏好估计测试指标
5.1.4 评分预测测试指标
5.2 CSBN构建效率测试
5.2.1 模型构建时间
5.2.2 模型构建中间结果规模
5.3 有效性测试
5.3.1 偏好估计
5.3.2 评分预测
5.4 本章小结
第六章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]结合深度置信网络与混合神经网络的图像分类方法 [J]. 刘罡,徐超,陈思义,吴聪. 小型微型计算机系统. 2017(09)
[2]基于深度模型的社会新闻对用户情感影响挖掘 [J]. 孙晓,高飞,任福继. 中文信息学报. 2017(03)
[3]面向用户偏好发现的隐变量模型构建与推理 [J]. 高艳,岳昆,武浩,付晓东,刘惟一. 计算机应用. 2017(02)
[4]基于深度信念网络的个性化信息推荐 [J]. 王兆凯,李亚星,冯旭鹏,刘利军,黄青松,刘晓梅. 计算机工程. 2016(10)
[5]基于用户评分和评论信息的协同推荐框架 [J]. 谭云志,张敏,刘奕群,马少平. 模式识别与人工智能. 2016(04)
[6]大数据分析的无限深度神经网络方法 [J]. 张蕾,章毅. 计算机研究与发展. 2016(01)
[7]上下文感知推荐系统中基于用户认知行为的偏好获取方法 [J]. 高全力,高岭,杨建锋,王海. 计算机学报. 2015(09)
[8]基于深度信念网络的语音情感识别的研究 [J]. 黄晨晨,巩微,伏文龙,冯东煜. 计算机研究与发展. 2014(S1)
[9]一种数值属性的深度置信网络分类方法 [J]. 孙劲光,蒋金叶,孟祥福,李秀娟. 计算机工程与应用. 2014(02)
[10]一种基于信任度和链接预测方法的移动用户偏好预测方法 [J]. 耿华,孟祥武,史艳翠. 电子与信息学报. 2013(12)
本文编号：3530782
【文章来源】： 云南大学云南省 211工程院校
【文章页数】：68 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 用户偏好建模
1.2.2 基于深度信念网络的用户偏好建模
1.2.3 基于用户偏好模型的偏好估计和评分预测
1.3 本文主要研究内容
1.4 本文的组织结构
第二章 基础知识
2.1 贝叶斯网
2.1.1 贝叶斯网简介
2.1.2 贝叶斯网的构建
2.1.3 贝叶斯网的推理
2.2 隐变量模型
2.2.1 隐变量模型简介
2.2.2 隐变量模型构建
2.3 深度信念网络简介
2.3.1 受限玻尔兹曼机
2.3.2 深度信念网络模型
2.3.3 深度信念网络分类器
第三章 用户偏好建模
3.1 模型相关定义
3.2 基于DBN的评分数据分类
3.3 CSBN模型构建
3.3.1 约束条件
3.3.2 基于约束的CSBN参数学习
3.3.3 基于约束的CSBN结构学习
3.4 本章小结
第四章 基于CSBN模型的评分预测和偏好估计
4.1 基于变量消元法的CSBN模型推理
4.2 基于CSBN模型推理的用户偏好估计
4.3 基于CSBN模型推理的评分预测
4.4 本章小结
第五章 实验结果与分析
5.1 实验相关设置
5.1.1 实验环境设置
5.1.2 实验数据
5.1.3 偏好估计测试指标
5.1.4 评分预测测试指标
5.2 CSBN构建效率测试
5.2.1 模型构建时间
5.2.2 模型构建中间结果规模
5.3 有效性测试
5.3.1 偏好估计
5.3.2 评分预测
5.4 本章小结
第六章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]结合深度置信网络与混合神经网络的图像分类方法 [J]. 刘罡,徐超,陈思义,吴聪. 小型微型计算机系统. 2017(09)
[2]基于深度模型的社会新闻对用户情感影响挖掘 [J]. 孙晓,高飞,任福继. 中文信息学报. 2017(03)
[3]面向用户偏好发现的隐变量模型构建与推理 [J]. 高艳,岳昆,武浩,付晓东,刘惟一. 计算机应用. 2017(02)
[4]基于深度信念网络的个性化信息推荐 [J]. 王兆凯,李亚星,冯旭鹏,刘利军,黄青松,刘晓梅. 计算机工程. 2016(10)
[5]基于用户评分和评论信息的协同推荐框架 [J]. 谭云志,张敏,刘奕群,马少平. 模式识别与人工智能. 2016(04)
[6]大数据分析的无限深度神经网络方法 [J]. 张蕾,章毅. 计算机研究与发展. 2016(01)
[7]上下文感知推荐系统中基于用户认知行为的偏好获取方法 [J]. 高全力,高岭,杨建锋,王海. 计算机学报. 2015(09)
[8]基于深度信念网络的语音情感识别的研究 [J]. 黄晨晨,巩微,伏文龙,冯东煜. 计算机研究与发展. 2014(S1)
[9]一种数值属性的深度置信网络分类方法 [J]. 孙劲光,蒋金叶,孟祥福,李秀娟. 计算机工程与应用. 2014(02)
[10]一种基于信任度和链接预测方法的移动用户偏好预测方法 [J]. 耿华,孟祥武,史艳翠. 电子与信息学报. 2013(12)
本文编号：3530782
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3530782.html
