基于卷积神经网络的混合推荐算法研究
发布时间：2021-05-14 18:12
随着近些年网络环境的迅速发展,网络信息正在遍及我们所需要的各个方面,人们在线获取的数据也越来越丰富,但却导致了数据量的急速增长。根据数据统计结果表示,在每分钟时间内,Facebook的活跃用户会在网络上分享约68.4万比特的信息,Twitter用户则会发出超过10万条,世界上90%的数据产生在2010—2012年,到2020年,全球信息总量将会是2011年的22倍,达到35.2 ZB[1]。但其中有很多属于无关冗余数据,这导致了“信息超载[2]（information overload）”问题,网络世界被信息所包围,阿里巴巴集团前CEO马云在一次网络信息技术演讲中发表了他的最新观点,人类正在从IT（information technology）走向DT（data technology）时代[3-4],IT时代是以自我控制、自我管理为主,而DT时代,它是以服务大众、推动生产力为主的技术。因此,在这样的数据量急速增长的情况下,推荐系统[5-7]应运而生,成为帮助用户获取有效信息的必要工具,作为一种解决信...
【文章来源】：长春工业大学吉林省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外推荐系统研究现状
1.3 研究内容及主要工作
1.4 组织安排
第2章 个性化推荐相关技术概述
2.1 个性化推荐系统概述
2.2 个性化推荐技术分类
2.2.1 基于内容的推荐
2.2.2 基于协同过滤的推荐算法
2.2.3 组合推荐算法
2.3 推荐系统存在的问题
2.3.1 稀疏性问题
2.3.2 可扩展性问题
2.3.3 新颖性问题
2.3.4 冷启动问题
2.4 本章小结
第3章 融合协同过滤和XGBoost的分类算法
3.1 基于XGBoost的分类算法
3.2 融合协同过滤和XGBoost的分类算法
3.2.1 算法改进思想
3.2.2 算法描述
3.3 实验分析
3.3.1 数据选择
3.3.2 度量标准
3.3.3 实验结果
3.3.4 算法分析与对比
3.4 本章小结
第4章 基于卷积神经网络的混合推荐算法
4.1 文本情感极性预测
4.1.1 数据准备
4.1.2 情感极性分析流程
4.2 文本卷积神经网络
4.3 基于卷积神经网络的混合推荐算法
4.3.1 算法改进思想
4.3.2 算法描述
4.4 实验分析
4.4.1 度量标准
4.4.2 实验结果
4.4.3 实验分析与对比
4.5 本章小结
第5章 总结与展望
5.1 本文总结
5.2 展望
致谢
参考文献
作者简介
攻读硕士学位期间研究成果
【参考文献】：
期刊论文
[1]今日头条推荐系统背后的技术原理[J]. 刘波. 信息安全研究. 2019(11)
[2]中国互联网络信息中心发布第43次《中国互联网络发展状况统计报告》[J]. 国家图书馆学刊. 2019(02)
[3]基于大数据的电商个性化推荐系统分析[J]. 黎超. 商业经济研究. 2019(02)
[4]抖音的算法推荐特点分析[J]. 王海燕. 新媒体研究. 2018(20)
[5]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)
[6]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[7]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平. 计算机学报. 2018(01)
[8]大数据可用性的研究进展[J]. 李建中,王宏志,高宏. 软件学报. 2016(07)
[9]人类社会从IT时代到DT时代[J]. 连玉明. 商业文化. 2016(11)
[10]中国正迎来从IT时代到DT时代的变革[J]. 白皓. 中国广播. 2015(07)
博士论文
[1]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
[3]电子商务推荐系统关键技术研究[D]. 邓爱林.复旦大学 2003
硕士论文
[1]基于深度学习的音乐推荐系统[D]. 汤敬浩.北京邮电大学 2018
[2]协作过滤推荐技术的稀疏性和准确性问题研究[D]. 高良友.海南大学 2015
[3]BP神经网络的研究分析及改进应用[D]. 李友坤.安徽理工大学 2012
本文编号：3186097
【文章来源】：长春工业大学吉林省
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外推荐系统研究现状
1.3 研究内容及主要工作
1.4 组织安排
第2章 个性化推荐相关技术概述
2.1 个性化推荐系统概述
2.2 个性化推荐技术分类
2.2.1 基于内容的推荐
2.2.2 基于协同过滤的推荐算法
2.2.3 组合推荐算法
2.3 推荐系统存在的问题
2.3.1 稀疏性问题
2.3.2 可扩展性问题
2.3.3 新颖性问题
2.3.4 冷启动问题
2.4 本章小结
第3章 融合协同过滤和XGBoost的分类算法
3.1 基于XGBoost的分类算法
3.2 融合协同过滤和XGBoost的分类算法
3.2.1 算法改进思想
3.2.2 算法描述
3.3 实验分析
3.3.1 数据选择
3.3.2 度量标准
3.3.3 实验结果
3.3.4 算法分析与对比
3.4 本章小结
第4章 基于卷积神经网络的混合推荐算法
4.1 文本情感极性预测
4.1.1 数据准备
4.1.2 情感极性分析流程
4.2 文本卷积神经网络
4.3 基于卷积神经网络的混合推荐算法
4.3.1 算法改进思想
4.3.2 算法描述
4.4 实验分析
4.4.1 度量标准
4.4.2 实验结果
4.4.3 实验分析与对比
4.5 本章小结
第5章 总结与展望
5.1 本文总结
5.2 展望
致谢
参考文献
作者简介
攻读硕士学位期间研究成果
【参考文献】：
期刊论文
[1]今日头条推荐系统背后的技术原理[J]. 刘波. 信息安全研究. 2019(11)
[2]中国互联网络信息中心发布第43次《中国互联网络发展状况统计报告》[J]. 国家图书馆学刊. 2019(02)
[3]基于大数据的电商个性化推荐系统分析[J]. 黎超. 商业经济研究. 2019(02)
[4]抖音的算法推荐特点分析[J]. 王海燕. 新媒体研究. 2018(20)
[5]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)
[6]融合社交信息的矩阵分解推荐方法研究综述[J]. 刘华锋,景丽萍,于剑. 软件学报. 2018(02)
[7]一种基于信任关系隐含相似度的社会化推荐算法[J]. 潘一腾,何发智,于海平. 计算机学报. 2018(01)
[8]大数据可用性的研究进展[J]. 李建中,王宏志,高宏. 软件学报. 2016(07)
[9]人类社会从IT时代到DT时代[J]. 连玉明. 商业文化. 2016(11)
[10]中国正迎来从IT时代到DT时代的变革[J]. 白皓. 中国广播. 2015(07)
博士论文
[1]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
[3]电子商务推荐系统关键技术研究[D]. 邓爱林.复旦大学 2003
硕士论文
[1]基于深度学习的音乐推荐系统[D]. 汤敬浩.北京邮电大学 2018
[2]协作过滤推荐技术的稀疏性和准确性问题研究[D]. 高良友.海南大学 2015
[3]BP神经网络的研究分析及改进应用[D]. 李友坤.安徽理工大学 2012
本文编号：3186097
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3186097.html
