基于深度学习融合模型的推荐系统研究

发布时间：2023-04-18 19:57

　　目前,我们正经历着从信息时代到数据时代的变迁,在享受海量信息的同时,也面临着信息过载所带来的一系列困扰。而推荐系统则可通过技术手段,帮助用户快速定位到目标信息或物品,从而有效缓解了该问题。传统协同过滤算法是目前推荐领域使用最为广泛的算法之一,但评分矩阵稀疏性问题一直是影响其推荐精度的关键。近年来已有研究尝试将深度学习技术用于推荐系统,主要是利用深度学习对异构数据的表征能力,与传统推荐算法相融合。针对这一研究问题,本文从模型设计及辅助信息两个角度出发,提出了一种基于深度学习与协同过滤的紧耦合融合模型,来缓解评分预测问题中因矩阵稀疏导致预测准确率不高的问题。在辅助信息使用方面,论文利用爬虫技术获取了用户侧与物品侧、结构化与非结构化的辅助信息,从数据角度弥补了模型对评分矩阵稀疏性较敏感的问题。在模型设计方面,论文基于辅助信息多样性及结构差异,采用多个不同的深度学习模型进行辅助信息挖掘,用改进后的栈式自编码器来进行用户兴趣学习,利用卷积神经网络来进行物品隐含特征挖掘,并对此模型进行改进,通过引入注意力机制来捕获文本的局部关键点,进而提升挖掘效果。最终基于概率矩阵分解思想实现多个深度学习模型与协...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统推荐算法研究现状
        1.2.2 基于深度学习的推荐算法研究现状
        1.2.3 研究现状分析
    1.3 主要研究内容
    1.4 本文组织结构
第2章 相关研究综述
    2.1 推荐系统综述
        2.1.1 推荐系统简介
        2.1.2 推荐系统架构
        2.1.3 推荐的核心问题及方法
    2.2 相关技术
        2.2.1 自编码器
        2.2.2 词向量模型
    2.3 评分预测问题的主要方法
        2.3.1 基于邻域的协同过滤算法
        2.3.2 基于矩阵分解的协同过滤算法
        2.3.3 混合推荐算法
        2.3.4 现有研究总结
    2.4 本章小结
第3章 基于深度学习融合模型的推荐算法
    3.1 基于扩展栈式自编码器的用户兴趣挖掘
    3.2 基于扩展卷积神经网络的物品特征挖掘
        3.2.1 基于词嵌入模型的文本表示
        3.2.2 基于扩展卷积神经网络的物品特征挖掘
    3.3 基于深度学习融合模型的推荐算法
        3.3.1 基于概率矩阵分解的隐含特征提取
        3.3.2 深度学习融合模型
    3.4 本章小结
第4章 实验与结果分析
    4.1 实验数据集
        4.1.1 公开数据集选取
        4.1.2 辅助信息采集
    4.2 评估指标
    4.3 实验设计与结果
        4.3.1 实验环境
        4.3.2 数据预处理
        4.3.3 参数设置
        4.3.4 算法自对比
        4.3.5 可视化分析
        4.3.6 与其他算法的对比
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3792927