时间感知的电影推荐算法研究与实现

发布时间：2021-04-26 11:02

　　随着互联网和信息技术的飞速发展,网络上已有的电影,视频等资源仍然以指数的速度增长,人们进入了“信息过载”的时代。在这个时代,如何让用户从海量的资源中找到自己感兴趣的物品,同时也让生产者生产的物品脱颖而出,受到广大用户的喜爱。为此,推荐算法的研究应运而生。在目前常用的推荐算法中,协同过滤算法作为最经典的个性化推荐算法,一直受到广大研究学者的关注,而深度学习算法作为近几年最热门的研究方向,更被各领域广泛研究。但是这两种算法几乎都没有考虑到时间上下文信息是如何影响推荐的,没有把用户行为发生的时间信息作为推荐的参考因素。然而在实际生活中,用户的喜好很可能会随着时间的推移发生改变,因此研究用户行为发生的时间上下文信息,对提高推荐算法的性能具有重要的影响。本文在经典协同过滤算法的基础上,首先,将数据集中的用户行为时间戳转换成具体的时间信息,将该时间上下文信息作为重要特征纳入推荐考虑中。接着考虑到协同过滤算法存在稀疏性问题,故而采用矩阵分解模型方法来降低矩阵的维度,将离散型的时间参数引入矩阵分解模型中,针对用户所处的时间上下文环境为用户进行推荐,以提高准确率,采用Spark集群实现协同过滤算法的并行... 

【文章来源】：辽宁科技大学辽宁省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
中文摘要
ABSTRACT
1.绪论
    1.1 研究背景及意义
    1.2 推荐算法研究现状
        1.2.1 几种推荐算法概述
        1.2.2 协同过滤推荐算法研究现状
        1.2.3 神经网络推荐算法研究现状
        1.2.4 上下文感知推荐算法研究现状
    1.3 论文主要完成工作
    1.4 论文架构
2.相关推荐算法概述
    2.1 协同过滤推荐算法
        2.1.1 传统协同过滤算法基本概述
        2.1.2 算法基本思想
        2.1.3 协同过滤推荐算法分类
    2.2 基于神经网络模型的推荐算法
        2.2.1 神经网络模型基本概述
        2.2.2 基于神经网络模型的推荐算法思想
        2.2.3 基于神经网络模型的推荐算法分类
    2.3 本章小结
3.时间感知的并行协同过滤推荐算法
    3.1 引言
    3.2 基于时间感知和ALS方法的协同过滤推荐算法
        3.2.1 矩阵分解基本模型
        3.2.2 ALS方法优化矩阵分解模型的损失函数
        3.2.3 时间感知矩阵分解模型
        3.2.4 时间感知评分预测和推荐
    3.3 基于Spark的时间感知的并行化算法流程设计
        3.3.1 Spark简介
        3.3.2 Windows系统下Spark平台搭建
        3.3.3 算法设计与实现流程
        3.3.4 时间感知的并行协同过滤算法的参数选取
    3.4 实验
        3.4.1 实验数据集
        3.4.2 实验环境
        3.4.3 实验评估指标
        3.4.4 实验结果及分析
        3.4.5 时间感知的协同过滤推荐算法的性能分析
    3.5 本章小结
4.时间感知的卷积神经网络推荐算法
    4.1 引言
    4.2 基于时间感知的卷积神经网络推荐算法
        4.2.1 数据预处理
        4.2.2 时间感知的卷积神经网络的推荐过程
        4.2.3 时间感知的评分预测和推荐
    4.3 基于Tensorflow的时间感知的卷积神经网络推荐算法流程设计
        4.3.1 Tensorflow框架简介
        4.3.2 Windows系统下搭建Tensorflow框架
        4.3.3 算法设计与实现流程
        4.3.4 时间感知的卷积神经网络算法的参数选取
    4.4 实验
        4.4.1 实验数据集
        4.4.2 实验环境
        4.4.3 实验评价指标
        4.4.4 实验结果及分析
        4.4.5 时间感知的卷积神经网络推荐算法的性能分析
    4.5 本章小结
5.总结与展望
    5.1 文章总结
    5.2 研究展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢
作者简介


【参考文献】：
期刊论文
[1]基于GPU加速和非负矩阵分解的并行协同过滤推荐算法[J]. 康林瑶,唐兵,夏艳敏,张黎.  计算机科学. 2019(08)
[2]基于会话信息的多粒度循环神经网络推荐模型[J]. 岳新玉,刘悦,余志华.  山西大学学报(自然科学版). 2019(02)
[3]基于深度神经网络的个性化推荐系统研究[J]. 字云飞,李业丽,孙华艳.  电子技术应用. 2019(01)
[4]结合用户行为和物品标签的协同过滤推荐算法[J]. 李龙生,艾均,苏湛,李妍妍.  计算机应用与软件. 2018(06)
[5]基于Hadoop的大数据平台架设探讨[J]. 秦杰仪,曾志,孙蕾,邓昭宇.  现代工业经济和信息化. 2018(05)
[6]一种基于矩阵分解的上下文感知POI推荐算法[J]. 彭宏伟,靳远远,吕晓强,王晓玲.  计算机学报. 2019(08)
[7]K-近邻矩阵分解推荐系统算法[J]. 郝雅娴,孙艳蕊.  小型微型计算机系统. 2018(04)
[8]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙.  计算机应用. 2018(04)
[9]Hadoop的两大核心技术HDFS和MapReduce[J]. 李港,刘玉程.  电子技术与软件工程. 2018(07)
[10]基于学习排序的并行协同过滤推荐算法[J]. 肖菁,袁凌,黄昌勤,吴不晓.  华中科技大学学报(自然科学版). 2018(03)

博士论文
[1]时间感知的推荐算法研究[D]. 李文俊.电子科技大学 2017

硕士论文
[1]基于张量分解并融合上下文的推荐算法研究与实现[D]. 文豪.北京邮电大学 2018
[2]基于时间权重的混合推荐算法研究[D]. 辛帅.辽宁科技大学 2018
[3]神经网络算法在矩阵积和式估值问题上的应用[D]. 张硕平.清华大学 2017
[4]基于大数据平台的搜索日志分析技术研究[D]. 周三多.重庆邮电大学 2017
[5]基于BP神经网络的中小企业财务预警研究[D]. 李爽.山东大学 2010



本文编号：3161300