基于深度学习的个性化物品推荐研究
发布时间：2020-12-31 20:53
在网络技术和电子商务快速发展的今天,互联网上出现了越来越多的在线服务,这些在线服务给人们带来便利的同时,也导致网上信息量的急剧增加,用户不得不花费更多的时间,在大量的信息中选择他们感兴趣的内容,这就是信息过载问题。推荐系统作为处理信息过载问题的主要手段,是一种采用机器学习技术,对用户偏好分析的基础上,在合理的时间内向用户推荐合适内容的智能决策系统。当前,尽管在各种不同的社会领域,个性化推荐技术已得到普遍使用,但已有推荐系统仍然存在数据稀疏性、冷启动、长尾物品难以被推荐、不能有效处理图结构数据等问题,导致推荐的性能不高,用户的体验较差,制约了个性化推荐系统的发展。作为一种非线性的深度神经网络技术,深度学习与传统浅层学习完全不同,它能自动进行特征学习,可以挖掘推荐系统中用户及物品间隐含的、潜在的许多特征。基于深度学习的个性化推荐研究与应用,已受到产业界及学术界的日益重视。如何利用深度学习相关原理及技术,去缓解、克服已有个性化物品推荐系统中存在的问题,以提高推荐系统的性能,是一个非常值得研究的课题。论文研究运用深度学习相关原理与技术,针对已有个性化物品推荐系统中存在的数据稀疏性、冷启动、长尾...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：167 页
【学位级别】：博士
【部分图文】：
已有推荐系统在不同领域的应用Figure1-1Applicationofexistingrecommendationsystemindifferentfields[3]
第1章绪论3学习方法需要靠人工进行特征提取的方式，同时，深度学习的这种特征提取方式能够融入到建立的模型过程中，由此在降低了特征提取难度的同时，还减少了因为靠人为设计特征时，特征获取的不完备性[12]。如Netflix网站上80%电影的在线观看来自于推荐[13]，YouTube网站上60%的视频点击来自于网站主页的推荐[14]，许多企业都运用深度学习原理与技术以提高推荐质量[15]。与以往推荐技术不同的是，已有使用深度神经网络结构的推荐技术都取得了非常不错的推荐性能，其应用范围也是越来越广泛。ZeynepBatmaz,AliYurekli等人[16]给出了当前深度学习推荐系统的应用领域主要分布情况，如在线电影、图书、新闻、音乐等各种电子商务领域和社交网络行业。从学术研究领域的角度，国际上近几年来基于深度学习推荐研究的有关文献数量显著增加，通过WebofScience1搜索“主题:(recommendationsystem)AND主题:(deeplearning)”所创建的引文报告图(图1-2、图1-3)中，也可以看到，无论是按年份的被引频次还是出版物总数方面，也能反映出基于深度学习的的个性化推荐研究，已经成为国内外学术界当前研究的新方向。图1-2WebofScience深度学习推荐系统相关论文年份被引频次Figure1-2CitationfrequencyofpapersrelatedtoWebofSciencedeeplearningrecommendationsysteminyear1http://apps.webofknowledge.com
东华大学博士学位论文4图1-3WebofScience深度学习推荐系统相关出版物总数Figure1-3TotalnumberofpublicationsrelatedtoWebofSciencedeeplearningrecommendationsystem从国内相关研究来看，近几年来，基于深度学习的个性化推荐的也是一些学者关注的重点。在CNKI2中，利用“推荐系统+深度学习”关键词进行学术趋势分析，从图1-4中可以看到，其学术关注度近五年来一直都呈现显著增加的趋势。图1-4CNKI学术趋势中深度学习推荐系统学术关注度Figure1-4AcademicattentiontothedeeplearningrecommendationsysteminCNKIacademictrends2https://www.cnki.net/
【参考文献】：
期刊论文
[1]一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 王腾,焦学伟,高阳. 计算机工程与科学. 2019(12)
[2]基于卷积递归模型的文本分类研究[J]. 殷晓雨,阿力木江·艾沙,库尔班·吾布力. 电子技术应用. 2019(10)
[3]基于pytorch二次关系拟合（回归）及其实现[J]. 邢立国,李文坚,刘玉坤. 电脑知识与技术. 2019(26)
[4]融合动态协同过滤和深度学习的推荐算法[J]. 邓存彬,虞慧群,范贵生. 计算机科学. 2019(08)
[5]基于改进的矩阵分解模型在推荐系统中的应用[J]. 宋瑞雪,李国勇. 计算机应用. 2019(S1)
[6]基于改进CNN的局部相似性预测推荐模型[J]. 吴国栋,宋福根,涂立静,史明哲. 计算机工程与科学. 2019(06)
[7]文本分类TF-IDF算法的改进研究[J]. 叶雪梅,毛雪岷,夏锦春,王波. 计算机工程与应用. 2019(02)
[8]卷积神经网络模型分析[J]. 李书清. 无线互联科技. 2018(19)
[9]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[10]结合共同邻居贡献度的节点相似性链路预测算法[J]. 王鑫,陈喜,钱付兰,张燕平. 数据采集与处理. 2018(05)
博士论文
[1]基于协同过滤视角的受限玻尔兹曼机研究[D]. 罗恒.上海交通大学 2011
硕士论文
[1]基于实值RBM的长尾物品推荐研究[D]. 史明哲.安徽农业大学 2018
[2]移动增强现实技术研究[D]. 冯鑫淼.西南科技大学 2016
[3]基于卷积神经网络的推荐算法[D]. 吴浠.华南理工大学 2016
[4]基于改进GN算法的茶叶消费者网络社区发现研究[D]. 汤鹏.安徽农业大学 2014
[5]面向个性化服务的用户兴趣模型表示及更新研究[D]. 郝水龙.合肥工业大学 2012
本文编号：2950296
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：167 页
【学位级别】：博士
【部分图文】：
已有推荐系统在不同领域的应用Figure1-1Applicationofexistingrecommendationsystemindifferentfields[3]
第1章绪论3学习方法需要靠人工进行特征提取的方式，同时，深度学习的这种特征提取方式能够融入到建立的模型过程中，由此在降低了特征提取难度的同时，还减少了因为靠人为设计特征时，特征获取的不完备性[12]。如Netflix网站上80%电影的在线观看来自于推荐[13]，YouTube网站上60%的视频点击来自于网站主页的推荐[14]，许多企业都运用深度学习原理与技术以提高推荐质量[15]。与以往推荐技术不同的是，已有使用深度神经网络结构的推荐技术都取得了非常不错的推荐性能，其应用范围也是越来越广泛。ZeynepBatmaz,AliYurekli等人[16]给出了当前深度学习推荐系统的应用领域主要分布情况，如在线电影、图书、新闻、音乐等各种电子商务领域和社交网络行业。从学术研究领域的角度，国际上近几年来基于深度学习推荐研究的有关文献数量显著增加，通过WebofScience1搜索“主题:(recommendationsystem)AND主题:(deeplearning)”所创建的引文报告图(图1-2、图1-3)中，也可以看到，无论是按年份的被引频次还是出版物总数方面，也能反映出基于深度学习的的个性化推荐研究，已经成为国内外学术界当前研究的新方向。图1-2WebofScience深度学习推荐系统相关论文年份被引频次Figure1-2CitationfrequencyofpapersrelatedtoWebofSciencedeeplearningrecommendationsysteminyear1http://apps.webofknowledge.com
东华大学博士学位论文4图1-3WebofScience深度学习推荐系统相关出版物总数Figure1-3TotalnumberofpublicationsrelatedtoWebofSciencedeeplearningrecommendationsystem从国内相关研究来看，近几年来，基于深度学习的个性化推荐的也是一些学者关注的重点。在CNKI2中，利用“推荐系统+深度学习”关键词进行学术趋势分析，从图1-4中可以看到，其学术关注度近五年来一直都呈现显著增加的趋势。图1-4CNKI学术趋势中深度学习推荐系统学术关注度Figure1-4AcademicattentiontothedeeplearningrecommendationsysteminCNKIacademictrends2https://www.cnki.net/
【参考文献】：
期刊论文
[1]一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 王腾,焦学伟,高阳. 计算机工程与科学. 2019(12)
[2]基于卷积递归模型的文本分类研究[J]. 殷晓雨,阿力木江·艾沙,库尔班·吾布力. 电子技术应用. 2019(10)
[3]基于pytorch二次关系拟合（回归）及其实现[J]. 邢立国,李文坚,刘玉坤. 电脑知识与技术. 2019(26)
[4]融合动态协同过滤和深度学习的推荐算法[J]. 邓存彬,虞慧群,范贵生. 计算机科学. 2019(08)
[5]基于改进的矩阵分解模型在推荐系统中的应用[J]. 宋瑞雪,李国勇. 计算机应用. 2019(S1)
[6]基于改进CNN的局部相似性预测推荐模型[J]. 吴国栋,宋福根,涂立静,史明哲. 计算机工程与科学. 2019(06)
[7]文本分类TF-IDF算法的改进研究[J]. 叶雪梅,毛雪岷,夏锦春,王波. 计算机工程与应用. 2019(02)
[8]卷积神经网络模型分析[J]. 李书清. 无线互联科技. 2018(19)
[9]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[10]结合共同邻居贡献度的节点相似性链路预测算法[J]. 王鑫,陈喜,钱付兰,张燕平. 数据采集与处理. 2018(05)
博士论文
[1]基于协同过滤视角的受限玻尔兹曼机研究[D]. 罗恒.上海交通大学 2011
硕士论文
[1]基于实值RBM的长尾物品推荐研究[D]. 史明哲.安徽农业大学 2018
[2]移动增强现实技术研究[D]. 冯鑫淼.西南科技大学 2016
[3]基于卷积神经网络的推荐算法[D]. 吴浠.华南理工大学 2016
[4]基于改进GN算法的茶叶消费者网络社区发现研究[D]. 汤鹏.安徽农业大学 2014
[5]面向个性化服务的用户兴趣模型表示及更新研究[D]. 郝水龙.合肥工业大学 2012
本文编号：2950296
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/2950296.html
