基于深度神经网络的电影推荐算法设计与实现

发布时间：2021-12-11 18:52

　　随着新兴电影产业的发展,全球的电影市场保持着稳定增长的基本态势,互联网上也拥有无比浩瀚的电影资源,推荐系统已经成为了人们在快速查找感兴趣的电影的方式。近年来,深度学习在图像识别,自然语言处理等领域得到了广泛的应用,同时,最近的一些研究也表明深度学习在推荐系统上的可靠性。在这样的背景下,对个性化推荐系统的基础理论进行研究,并利用深度学习在推荐领域的相关技术,提出了一种基于深度神经网络的个性化推荐算法,称为深度神经矩阵分解（Deep Neural Matrix Factorization）。首先,深度神经矩阵模型使用了一种新的方式提取用户和项目的潜在向量。定义了记忆组件和归纳组件对用户和项目的输入向量进行特征提取,隐射到新的稠密空间。记忆组件实质是浅层的线性单元,归纳组件实则是深层的非线性神经网络。在实验中证明,记忆组件和归纳组件均对模型性能有显著的效果。其次,采用多方式对不同潜在向量进行训练。对于记忆组件产生的用户或者项目向量,称为记忆向量,采用广义矩阵分解模型,将用户和项目记忆向量逐元素相乘来描述用户和项目之间潜在交互特征,因这一过程都是进行线性变换,所以保存了记忆向量的有效记忆信息。... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

长尾理论

_丁(，丫彻

图 2-1 神经网络示意图所有神经网络都有一个输入层，其中输入初始数据，输出层产生最终预测。但是在深度神经网络中，这些输入和输出层之间将存在多个神经元的“隐藏层”，每个层都将数据相互馈送。因此，在“深度学习”和“深度神经网络”中，术语“深度”，它是对这些神经网络核心的大量隐藏层（通常大于三层）的参考。在图 2-1 中，网络已经被训练以识别手写的图形，例如这里示出的数字 2，其中输入层被馈送表示构成手写数字的图像的像素的值，并且输出层预测哪个手写的数字。显示在图像中。在上图中，每个圆圈代表网络中的神经元，神经元组织成垂直层。每个神经元都会与下一层中的每个神经元进行连接，表示每个神经元向后续层中的每个神经元输出一个值。图中链接的颜色也各不相同。不同的颜色，黑色和红色，代表神经元之间的联系的重要性。红色链接是更重要的链接，这意味着它们将在层之间传递时放大值。反过来，这个值的放大可以帮助激活正在输入值的神经元。

【参考文献】：
期刊论文
[1]协同过滤中基于用户兴趣度的相似性度量方法[J]. 嵇晓声,刘宴兵,罗来明.  计算机应用. 2010(10)



本文编号：3535209