基于深度学习与矩阵分解的推荐算法研究

发布时间：2023-02-18 22:26

　　网络技术的发展推动了各行业信息化平台的产生,同时大数据和云计算技术的普遍应用使得互联网平台用户及项目数据量急剧增长。推荐系统作为缓解“信息过载”问题的重要工具,帮助用户从海量信息中获取感兴趣的内容,成为互联网应用不可或缺的重要角色。矩阵分解是基于协同过滤推荐的重要方法,其良好的可扩展性及高效性受到业界研究人员的青睐。近年来,深度学习在许多研究领域取得了巨大成功,它在特征表示方面的出色表现对信息检索和推荐系统也产生了重要影响。然而,随着网络用户和项目规模的增加,推荐系统中数据的稀疏性、复杂性以及不确定性等问题对推荐结果的准确性产生了严重影响。本文充分利用深度学习与矩阵分解技术的优势,针对推荐系统所面临的问题,提出了三个解决方案。具体地,本文的主要研究内容和创新成果包括:1)针对数据稀疏性对推荐准确率的影响,本文将深度学习技术与矩阵分解的方法相结合,提出了深度变分矩阵分解推荐算法。该算法设计并训练具有深层变分结构的特征提取网络(semi-VAE)来分别捕获用户和项目隐藏的深层表示;进而,使用具有用户和项目评分偏差的矩阵分解方法来预测评分;最后,提出了优化矩阵分解和变分自编码器联合模型的方法...

【文章页数】：129 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究现状
        1.2.1 基于内容的推荐算法
        1.2.2 协同过滤推荐算法
        1.2.3 混合推荐
    1.3 推荐算法面临的挑战
    1.4 研究内容及创新
    1.5 本文章节安排
第二章 相关推荐算法研究
    2.1 基于矩阵分解的推荐算法
    2.2 基于自编码器的推荐算法
    2.3 基于因子分解机的推荐算法
    2.4 隐式推荐算法
    2.5 基于模糊理论的推荐算法
    2.6 基于因果关系的推荐算法
    2.7 本章小结
第三章 基于深度变分矩阵分解的推荐算法
    3.1 引言
    3.2 准备工作
        3.2.1 问题描述及表示
        3.2.2 变分自编码器
    3.3 模型总体框架
    3.4 特征提取及评分预测
    3.5 算法优化与参数估计
    3.6 实验结果及分析
        3.6.1 数据集
        3.6.2 评估标准
        3.6.3 参数影响分析
        3.6.4 DVMF与 VAE性能对比
        3.6.5 对比实验及结果分析
    3.7 本章小结
第四章 高阶交叉因子分解机推荐算法
    4.1 引言
    4.2 准备工作
        4.2.1 问题描述及表示
        4.2.2 高阶因子分解机
    4.3 模型整体框架
    4.4 低阶特征交互
    4.5 基于交叉权重网络的高阶特征交互
    4.6 模型训练
    4.7 模型分析
        4.7.1 空间复杂度分析
        4.7.2 时间复杂度分析
        4.7.3 其他因子分解机的比较
    4.8 实验结果及分析
        4.8.1 数据集
        4.8.2 评估指标
        4.8.3 参数影响实验
        4.8.4 模型组件影响
        4.8.5 对比实验及分析
    4.9 本章小结
第五章 基于因果神经模糊推理的隐式推荐算法
    5.1 引言
    5.2 准备工作
        5.2.1 问题描述和定义
        5.2.2 模糊集
        5.2.3 自适应神经模糊推理
    5.3 模型整体框架
    5.4 曝光概率影响因素的模糊表示
    5.5 因果神经模糊推理
    5.6 模型参数估计
    5.7 实验结果及分析
        5.7.1 数据集
        5.7.2 评价指标
        5.7.3 参数影响实验
        5.7.4 对比实验及结果分析
    5.8 本章小结
总结与展望
参考文献
攻读博士学位期间取得的研究成果
致谢
附件



本文编号：3745661