基于深度学习的推荐系统评级预测研究
发布时间：2022-02-10 18:04
近年来,推荐系统已广泛应用于B2C网络销售、社交网络服务、搜索引擎和定位服务等领域中,取得较好成效,但推荐系统仍存在一些制约因素,如数据稀疏性问题。目前,大多数推荐系统评级预测工作利用了深度学习技术,首先基于已有的用户-项目评分矩阵,再利用用户和项目的辅助信息来解决上述问题,虽然可以一定程度上弥补数据稀疏性问题,但存在忽视上下文语义和句法信息问题,从而影响推荐性能;另外,当前流行的评级预测模型大多利用了矩阵分解来进行融合,但用户和项目的初始隐式特征矩阵对矩阵分解影响很大,有些工作回避或轻忽这个问题。针对上述研究工作中所存在的问题,论文对基于深度学习的推荐系统评级预测算法进行深入研究,提出了一种新颖的双自编码器矩阵分解模型（Dual AutoEncoders Matrix Factorization,DAE-MF）,充分利用深度学习技术、评分矩阵和用户项目的评论信息来提高推荐准确率。本文的主要工作内容如下:（1）提出了使用卷积自编码器（Convolutional AutoEncoder,CAE）来处理项目评论信息。卷积自编码器通过无监督预训练对文档评论信息进行建模,不仅能够提取评论信息中...
【文章来源】：南昌大学江西省211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图１．３基于深度学习的推荐系统框架示意图??在本节中，将深入探讨深度学习在推荐系统研究领域的三大应用现状，本??文在传统推荐系统分类的基础上考虑系统所利用的数据类型，把当前的研究划??
?第２章相关背景知识介绍???圓?＾＾＾３??图２．１?ＩＭＤＢ网站显式评分信息??而隐式反馈行为则无法明确用户的喜好，常见的隐式反馈行为是用户浏览??网页记录。用户浏览网页可能不是对该物品感兴趣，而是出于好奇或者无意中??点击浏览该物品。虽然该记录不能明确得知用户的喜好，但是一般网站获取到??的此类隐式数据占比很大，由此，在利用显式反馈数据的基础上，更应该从隐??式反馈数据中挖掘有价值意义的内容，从而实现个性化推荐，避免“千遍一律”??的推荐方式。??根据数据类型的不同，个性化推荐需要使用的算法主要由两种组成：第一??种是根据内容的推荐算法，第二种是协同过滤ＣＦ的推荐算法。基于内容的推荐??算法的主要思想是给用户推荐他喜欢的和他关注过的信息在物品内容上相似度??最大的信息。??从图２．２中可以看到，用户Ａ喜欢具有喜剧、古装和爱情风格的电影ａ，用??户Ｂ和用户Ｃ都喜欢科幻、惊悚和动作类型的电影ｂ，从图中可知电影ａ和电??影ｃ含有相同标签（喜剧和古装），电影ａ和电影ｂ的标签不同，由此我们可以??认为用户Ａ不仅喜欢电影ａ，也喜欢与电影ａ类似的电影ｃ，所以给用户Ａ推荐??电影ｃ以满足他的爱好。??１３??
ｔｈｏｎＷ理论与Ｓ５?灌?步面秀）?９妨?彩）?ＬＭｒｎｆｌＪＴ＃ｎｓ〇ｒＦＩ〇ｋｖ??５？，）?《ａ壳拉鳓》｜Ｔ?★夤食會＜Ｍ７１?？＿？Ｈ网篇（ｆ?（ａ?ＲｅｉｌｌｙＵｆｉＢ书摹列Ｉ??ｍｔｔ議发?食★食２７?Ｋｍｄｌｅ％子书?夤貪夤食☆?１０?興Ｓ利安杰龙??＊＊＊＊☆?２Ｓ?Ｋｍｄｌｅ？子书?￥７．９９?ｌＯｎｄｌｅ甩子蜗舍俞俞俞ｔ＞９??ＪＯｎｄＷｅ子爷?￥?２８．９９?￥?４８．９９?Ｋｍｄｌｅ轚子夯??￥?２４．９９?￥６０．００??图２．３亚马逊网站对用户进行个性化推荐书籍??从协同过滤算法的核心推荐思路中可知，我们需要通过计算用户和用户之??间或物品和物品之间的相似度，再根据相似度大小进行推荐。相似度越高的用??户或物品表示他们有着相似的偏好，反之，相似度低意味着他们存在较少的兴??趣爱好或无共同爱好。推荐系统常用的相似度方法有四种，分为Ｃｏｓｉｎｅ?Ｓｉｍｉｌａｒｉｔｙ??（即?Ｃｏｓｉｎｅ?相似度）、Ｔａｎｉｍｏｔｏ?Ｃｏｅｆｆｉｃｉｅｎｔ（即?Ｔａｎｉｍｏｔｏ?系数）、Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ??Ｃｏｅｆｆｉｃｉｅｎｔ?（即皮尔森相关系数）和Ｅｕｃｌｉｄｅａｎ?Ｄｉｓｔａｎｃｅ?Ｓｉｍｉｌａｒｉｔｙ?（即欧式距离相??似度），假设用户ａ对物品ｋ（ｆｃｅｈ?７表示所有物品的集合）的评分Ｓｒａｆｃ，用??户ｂ对物品ｋ的评分为ｒｆｃｋ，可以利用下述四种相似度公式表示用户ａ和用户ｂ??的相似度值，每种方法的计算公式为：??（１）?Ｃｏｓｉｎｅ相似度??ｃ?一?ｒａ＇ｒｂ?＿?Ｅ?ｒａｋｒｂｋ?Ｏ?＂１１??ＣＳａｂ?｜ｋａｌ｜２ｘ｜｜ｒｂ｜｜２?？Ｊ＇
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]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)
本文编号：3619284
【文章来源】：南昌大学江西省211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图１．３基于深度学习的推荐系统框架示意图??在本节中，将深入探讨深度学习在推荐系统研究领域的三大应用现状，本??文在传统推荐系统分类的基础上考虑系统所利用的数据类型，把当前的研究划??
?第２章相关背景知识介绍???圓?＾＾＾３??图２．１?ＩＭＤＢ网站显式评分信息??而隐式反馈行为则无法明确用户的喜好，常见的隐式反馈行为是用户浏览??网页记录。用户浏览网页可能不是对该物品感兴趣，而是出于好奇或者无意中??点击浏览该物品。虽然该记录不能明确得知用户的喜好，但是一般网站获取到??的此类隐式数据占比很大，由此，在利用显式反馈数据的基础上，更应该从隐??式反馈数据中挖掘有价值意义的内容，从而实现个性化推荐，避免“千遍一律”??的推荐方式。??根据数据类型的不同，个性化推荐需要使用的算法主要由两种组成：第一??种是根据内容的推荐算法，第二种是协同过滤ＣＦ的推荐算法。基于内容的推荐??算法的主要思想是给用户推荐他喜欢的和他关注过的信息在物品内容上相似度??最大的信息。??从图２．２中可以看到，用户Ａ喜欢具有喜剧、古装和爱情风格的电影ａ，用??户Ｂ和用户Ｃ都喜欢科幻、惊悚和动作类型的电影ｂ，从图中可知电影ａ和电??影ｃ含有相同标签（喜剧和古装），电影ａ和电影ｂ的标签不同，由此我们可以??认为用户Ａ不仅喜欢电影ａ，也喜欢与电影ａ类似的电影ｃ，所以给用户Ａ推荐??电影ｃ以满足他的爱好。??１３??
ｔｈｏｎＷ理论与Ｓ５?灌?步面秀）?９妨?彩）?ＬＭｒｎｆｌＪＴ＃ｎｓ〇ｒＦＩ〇ｋｖ??５？，）?《ａ壳拉鳓》｜Ｔ?★夤食會＜Ｍ７１?？＿？Ｈ网篇（ｆ?（ａ?ＲｅｉｌｌｙＵｆｉＢ书摹列Ｉ??ｍｔｔ議发?食★食２７?Ｋｍｄｌｅ％子书?夤貪夤食☆?１０?興Ｓ利安杰龙??＊＊＊＊☆?２Ｓ?Ｋｍｄｌｅ？子书?￥７．９９?ｌＯｎｄｌｅ甩子蜗舍俞俞俞ｔ＞９??ＪＯｎｄＷｅ子爷?￥?２８．９９?￥?４８．９９?Ｋｍｄｌｅ轚子夯??￥?２４．９９?￥６０．００??图２．３亚马逊网站对用户进行个性化推荐书籍??从协同过滤算法的核心推荐思路中可知，我们需要通过计算用户和用户之??间或物品和物品之间的相似度，再根据相似度大小进行推荐。相似度越高的用??户或物品表示他们有着相似的偏好，反之，相似度低意味着他们存在较少的兴??趣爱好或无共同爱好。推荐系统常用的相似度方法有四种，分为Ｃｏｓｉｎｅ?Ｓｉｍｉｌａｒｉｔｙ??（即?Ｃｏｓｉｎｅ?相似度）、Ｔａｎｉｍｏｔｏ?Ｃｏｅｆｆｉｃｉｅｎｔ（即?Ｔａｎｉｍｏｔｏ?系数）、Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ??Ｃｏｅｆｆｉｃｉｅｎｔ?（即皮尔森相关系数）和Ｅｕｃｌｉｄｅａｎ?Ｄｉｓｔａｎｃｅ?Ｓｉｍｉｌａｒｉｔｙ?（即欧式距离相??似度），假设用户ａ对物品ｋ（ｆｃｅｈ?７表示所有物品的集合）的评分Ｓｒａｆｃ，用??户ｂ对物品ｋ的评分为ｒｆｃｋ，可以利用下述四种相似度公式表示用户ａ和用户ｂ??的相似度值，每种方法的计算公式为：??（１）?Ｃｏｓｉｎｅ相似度??ｃ?一?ｒａ＇ｒｂ?＿?Ｅ?ｒａｋｒｂｋ?Ｏ?＂１１??ＣＳａｂ?｜ｋａｌ｜２ｘ｜｜ｒｂ｜｜２?？Ｊ＇
【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅. 计算机学报. 2018(07)
[2]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)
本文编号：3619284
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3619284.html
