基于深度学习的推荐模型研究
发布时间：2021-08-14 11:19
大数据、云计算、人工智能等新技术的迅速发展,使得互联网应用层出不穷,导致网络数据呈现指数级的增长,大规模数据为各领域发展带来新的契机和危机。一方面,海量数据信息为推荐系统带来更多有价值的信息,另一方面,对于传统的协同过滤推荐系统来说,已经难以满足用户的推荐需求。稀疏性问题、冷启动问题以及可解释性问题都是推荐系统尚待解决的问题。因此,需要新的技术更新替换传统技术才能有效地解决上述问题。传统协同过滤推荐因评分数据单一无法对推荐结果做出合理解释,后来从某一类辅助信息中提取有效隐含特征辅助推荐,虽然在一定程度上可以提高单域推荐的准确性,但是若要深入地挖掘用户与项目之间的复杂关系,需要研究在推荐系统中融入多源数据,并且研究使用新技术从多源数据中提取综合性特征,同时研究实现所提取的用户特征和项目特征的交互,计算预测评分。基于以上问题背景,本文提出一种融合多源数据的深度学习模型DCNNs用于推荐系统,具体研究工作有:（1）多源数据融入基于深度学习的推荐系统中。为了使推荐结果不受单源数据限制,解决推荐系统中的稀疏性问题和冷启动问题,研究从多源数据中获取用户和待推荐物品相关附属的标签、评论文本等数据,因...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图２．１协同过滤推荐方式??Ｆｉｇ．?２．１?Ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｍｅｔｈｏｄ??
?大连海事大学硕士学位论文???１２??．?１?，?．?＼?．?ｎ??ｌｌ?１?１?＂?ＲＲ??２?．?．???ｕ?ｉ?．?．?????Ｒ????ｎｒｌ????ｍ?Ｒ?Ｒ???图２．?２构建用户－项目评分矩阵??Ｆｉｇ．?２．２?Ｂｕｉｌｄ?ｕｓｅｒ?ｐｒｏｊｅｃｔ?ｒａｔｉｎｇ?ｍａｔｒｉｘ??（２）通过计算相似度找到相似的用户。相似度的计算方式可以参考同现相似度、??余弦相似度、皮尔逊相似度等方法。??同现相似度：用于查找相似的用户或者物品，计算时首先明确与待推荐用户相似的??用户群体，然后将用户群体拥有的而待推荐用户没有的物品推荐给待推荐用户。这种求??解相似度的方法在Ｓｐａｒｋ－ＭＬｉｂ中比较常见。??Ｍ／?｜＿ｎ?雜）｜??＇?（２１）??表示某个用户《爱好的物品集合，表示用户Ｖ爱好的物品集合。??余弦相似度（ｃｏｓｉｎｅ?ｓｉｍｉｌａｒｉｔｙ）：在数学领域用于度量向量方向的相似性，通过计??算两个向量夹角的余弦值判断相似度。在协同过滤当中用来计算用户或项目的相似性。??将用户；和用户＿／在ｎ个项目上的评分分别记为《维向量（■／，则余弦相似度计算阽公式??２．２。??Ｉ?．Ｊ??ｓｉｍ（ｉ，ｊ）?＝?ｃｏｓ（／，Ｊ）?＝?Ｔ－ｉｒ－＾ｒ－ｊ７??ＩＫ！?ｌｒ?ＩＩ?（２．２）??余弦相似度的取值范围是［０，１］，越接近１，越证明相似度越髙，但是余弦相似度没??有将用户评分的均值考虑进去，于是就出现了改进版本的余弦相似度，形式类似于皮尔??逊系数。??皮尔逊系数（Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ?Ｃｏｅｆｆｉｃｉｅｎｔ）?［
?ｎ??１??ｌ?ｒＪ??Ｉ???２??２?Ｒ?｜??２????????Ｒ???????Ｉ?Ｓ?９?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｘ?＿＿＿＿＿一?Ｈ????Ｉ?＾???ｍ－２??ｍ－２?Ｒ＿ｌ??ｍ－２???ｍ－１??ｍ＊ｌ?Ｒ?；??ｍ－ｔ???ｍ?１１１?Ｉ?Ｉ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?ｌ?Ｗ?Ｉ?Ｉ?ｌ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｓ?Ｒ?Ｐ??图２．?３基于用户的推荐列表计算过程??Ｆｉｇ．?２．３?Ｃａｌｃｕｌａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｌｉｓｔ?ｂａｓｅｄ?ｏｎ?ｕｓｅｒｓ??８??
【参考文献】：
期刊论文
[1]Attention机制在脱机中文手写体文本行识别中的应用[J]. 王馨悦,董兰芳. 小型微型计算机系统. 2019(09)
[2]基于注意力机制与评论文本深度模型的推荐方法[J]. 黄文明,卫万成,张健,邓珍荣. 计算机工程. 2019(09)
[3]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[4]基于皮尔逊相关系数的网络舆情评估指标体系构建研究[J]. 覃玉冰,邓春林,杨柳. 情报探索. 2018(10)
[5]基于VSM的移动图书馆用户画像及场景推荐[J]. 毕达天,王福,许鹏程. 数据分析与知识发现. 2018(09)
[6]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[7]一种基于属性加权补集的朴素贝叶斯文本分类算法[J]. 陈凯,黄英来,高文韬,赵鹏. 哈尔滨理工大学学报. 2018(04)
[8]多特征关键词提取算法研究[J]. 王洁,王丽清. 计算机系统应用. 2018(07)
[9]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)
[10]基于项目属性偏好挖掘的协同过滤推荐算法[J]. 陈颖,侯惠敏. 计算机应用. 2017(S1)
博士论文
[1]基于用户兴趣挖掘的个性化推荐方法研究[D]. 徐扬.山东大学 2018
硕士论文
[1]面向多任务的句嵌入方法研究[D]. 焦点.北京邮电大学 2019
[2]基于LSTM的风电功率区间预测研究[D]. 王若恒.华中科技大学 2018
[3]细粒度文本主题检测技术的研究与应用[D]. 王圣.北京邮电大学 2018
[4]基于语义对等映射的事件短语学习[D]. 李方圆.苏州大学 2017
[5]大数据背景下基于网络结构的推荐系统的研究[D]. 刘勇.北京交通大学 2015
[6]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
本文编号：3342371
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
图２．１协同过滤推荐方式??Ｆｉｇ．?２．１?Ｃｏｌｌａｂｏｒａｔｉｖｅ?ｆｉｌｔｅｒｉｎｇ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｍｅｔｈｏｄ??
?大连海事大学硕士学位论文???１２??．?１?，?．?＼?．?ｎ??ｌｌ?１?１?＂?ＲＲ??２?．?．???ｕ?ｉ?．?．?????Ｒ????ｎｒｌ????ｍ?Ｒ?Ｒ???图２．?２构建用户－项目评分矩阵??Ｆｉｇ．?２．２?Ｂｕｉｌｄ?ｕｓｅｒ?ｐｒｏｊｅｃｔ?ｒａｔｉｎｇ?ｍａｔｒｉｘ??（２）通过计算相似度找到相似的用户。相似度的计算方式可以参考同现相似度、??余弦相似度、皮尔逊相似度等方法。??同现相似度：用于查找相似的用户或者物品，计算时首先明确与待推荐用户相似的??用户群体，然后将用户群体拥有的而待推荐用户没有的物品推荐给待推荐用户。这种求??解相似度的方法在Ｓｐａｒｋ－ＭＬｉｂ中比较常见。??Ｍ／?｜＿ｎ?雜）｜??＇?（２１）??表示某个用户《爱好的物品集合，表示用户Ｖ爱好的物品集合。??余弦相似度（ｃｏｓｉｎｅ?ｓｉｍｉｌａｒｉｔｙ）：在数学领域用于度量向量方向的相似性，通过计??算两个向量夹角的余弦值判断相似度。在协同过滤当中用来计算用户或项目的相似性。??将用户；和用户＿／在ｎ个项目上的评分分别记为《维向量（■／，则余弦相似度计算阽公式??２．２。??Ｉ?．Ｊ??ｓｉｍ（ｉ，ｊ）?＝?ｃｏｓ（／，Ｊ）?＝?Ｔ－ｉｒ－＾ｒ－ｊ７??ＩＫ！?ｌｒ?ＩＩ?（２．２）??余弦相似度的取值范围是［０，１］，越接近１，越证明相似度越髙，但是余弦相似度没??有将用户评分的均值考虑进去，于是就出现了改进版本的余弦相似度，形式类似于皮尔??逊系数。??皮尔逊系数（Ｐｅａｒｓｏｎ?Ｃｏｒｒｅｌａｔｉｏｎ?Ｃｏｅｆｆｉｃｉｅｎｔ）?［
?ｎ??１??ｌ?ｒＪ??Ｉ???２??２?Ｒ?｜??２????????Ｒ???????Ｉ?Ｓ?９?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｓ?Ｘ?＿＿＿＿＿一?Ｈ????Ｉ?＾???ｍ－２??ｍ－２?Ｒ＿ｌ??ｍ－２???ｍ－１??ｍ＊ｌ?Ｒ?；??ｍ－ｔ???ｍ?１１１?Ｉ?Ｉ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?ｌ?Ｗ?Ｉ?Ｉ?ｌ?Ｉ?Ｉ?ｍ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ?Ｉ??Ｓ?Ｒ?Ｐ??图２．?３基于用户的推荐列表计算过程??Ｆｉｇ．?２．３?Ｃａｌｃｕｌａｔｉｏｎ?ｐｒｏｃｅｓｓ?ｏｆ?ｒｅｃｏｍｍｅｎｄａｔｉｏｎ?ｌｉｓｔ?ｂａｓｅｄ?ｏｎ?ｕｓｅｒｓ??８??
【参考文献】：
期刊论文
[1]Attention机制在脱机中文手写体文本行识别中的应用[J]. 王馨悦,董兰芳. 小型微型计算机系统. 2019(09)
[2]基于注意力机制与评论文本深度模型的推荐方法[J]. 黄文明,卫万成,张健,邓珍荣. 计算机工程. 2019(09)
[3]一种基于深度学习的混合推荐算法[J]. 曾旭禹,杨燕,王淑营,何太军,陈剑波. 计算机科学. 2019(01)
[4]基于皮尔逊相关系数的网络舆情评估指标体系构建研究[J]. 覃玉冰,邓春林,杨柳. 情报探索. 2018(10)
[5]基于VSM的移动图书馆用户画像及场景推荐[J]. 毕达天,王福,许鹏程. 数据分析与知识发现. 2018(09)
[6]基于深度学习的多交互混合推荐模型[J]. 李同欢,唐雁,刘冰. 计算机工程与应用. 2019(01)
[7]一种基于属性加权补集的朴素贝叶斯文本分类算法[J]. 陈凯,黄英来,高文韬,赵鹏. 哈尔滨理工大学学报. 2018(04)
[8]多特征关键词提取算法研究[J]. 王洁,王丽清. 计算机系统应用. 2018(07)
[9]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)
[10]基于项目属性偏好挖掘的协同过滤推荐算法[J]. 陈颖,侯惠敏. 计算机应用. 2017(S1)
博士论文
[1]基于用户兴趣挖掘的个性化推荐方法研究[D]. 徐扬.山东大学 2018
硕士论文
[1]面向多任务的句嵌入方法研究[D]. 焦点.北京邮电大学 2019
[2]基于LSTM的风电功率区间预测研究[D]. 王若恒.华中科技大学 2018
[3]细粒度文本主题检测技术的研究与应用[D]. 王圣.北京邮电大学 2018
[4]基于语义对等映射的事件短语学习[D]. 李方圆.苏州大学 2017
[5]大数据背景下基于网络结构的推荐系统的研究[D]. 刘勇.北京交通大学 2015
[6]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
本文编号：3342371
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3342371.html
