面向冷启动用户的音乐热评混合推荐系统的研究与实现
【文章页数】:73 页
【学位级别】:硕士
【部分图文】:
图3-1平台需求用例图??3.2平台架构??
山东大学硕士学位论文??的耦合性,使各功能模块更容易扩展是非常重要的。如信息获取模块的扩展,平??台用户可能对某一数据比较感兴趣,则需要对数据获取模块获取的字段进行扩展,??增添用户需要的字段;另外随着推荐技术的发展,推荐算法也在不断的更新,为??了提升推荐效果,需要对推荐模块进....
图3-3平台流程图??3.4本章小结??
山东大学硕士学位论文??(开始)??麵麵???mmm??评论召回??I ̄ ̄|?结果』謝滤??是?否??I??FM算法?Bandit算法??T??????鋪錯?崠??纖展示—<?额)??图3-3平台流程图??3.4本章小结??本章主要介绍了音乐热评混合推荐平台的需求分析、平台的整体....
图4-3推荐模块流程图??4.3.1评论热度召回??大多数的个性化推荐算法需要充足的数据才能学习出能够进行个性化推荐??
山东大学硕士学位论文??使用因子分解机(Factorization?Machine)或引入上下文信息的Bandit算法对召??回结果进行排序,完成推荐服务。??包含召回及排序模块的推荐模块如图4-3所示:??获取召回的苜评论???]?[???评论去重、过濾已看??f?判断打标轰交....
图4-4评论内容相似召回流程图??召回过程首先需要对原始数据进行处理,提取出评论ID和评论的字段,需??
??PV-DM是通过上下文环境预测当前值,原理类似于Word2Vec算法中的CBOW??模型。而PV-DBOW忽略输入的上下文,预测段落中的随机一个单词。类似于??Word2vec中的skip-gram模型。本论文采用了?PV-DBOW模型。??当用户向音乐热评混合推荐平台提交推....
本文编号:3934742
本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/3934742.html