【摘要】：面對大數(shù)據(jù)的環(huán)境,如何從雜亂無章的海量信息中給用戶準確推薦有價值的信息,這將是推薦系統(tǒng)領(lǐng)域的主要研究任務(wù)。在傳統(tǒng)的推薦算法中,評分數(shù)據(jù)的稀疏性是影響傳統(tǒng)推薦算法推薦準確率的主要因素,雖然有些傳統(tǒng)方法解決了評分數(shù)據(jù)稀疏性問題,但僅僅挖掘評分數(shù)據(jù)間的線性關(guān)系,而且未考慮到用戶興趣波動的問題。針對評分數(shù)據(jù)稀疏性和用戶興趣波動問題,本文提出了一種集成神經(jīng)網(wǎng)絡(luò)的Top-N推薦模型(CDAETN),從海量數(shù)據(jù)中挖掘數(shù)據(jù)間的非線性內(nèi)在聯(lián)系進行推薦。首先,考慮用戶-項目評分矩陣的稀疏性和數(shù)據(jù)有限性,采用顯性反饋與隱性反饋數(shù)據(jù)結(jié)合的方式。將用戶評論信息作為隱性反饋行為,利用卷積神經(jīng)網(wǎng)絡(luò)對評論文本進行卷積和池化操作獲得用戶興趣度的隱含特征向量即項目向量,然后將項目向量作為降噪自編碼網(wǎng)絡(luò)輸入層到隱藏層的初始權(quán)重參數(shù),顯性反饋數(shù)據(jù)的評分矩陣作為降噪自編碼網(wǎng)絡(luò)的輸入數(shù)據(jù),對用戶-項目評分矩陣中未評分項目進行評分預(yù)測。其次,考慮到用戶興趣偏好不是沒有波動的,用戶的興趣偏好隨著時間的波動趨勢與人類遺忘曲線相類似。引入非線性遺忘函數(shù)和項目屬性,然后根據(jù)項目屬性相似度獲得項目間的相似度,尋找與最近評分項目相似的未評分項目集合,采用相似項目具有相同的時間權(quán)重策略,對未評分項目的預(yù)測評分進行時間加權(quán),重新進行評分預(yù)測,最后選取Top-N個項目生成推薦列表。通過仿真實驗,本文提出的集成神經(jīng)網(wǎng)絡(luò)的Top-N推薦算法(CDAETN)與傳統(tǒng)的協(xié)同過濾算法、基于SVD的推薦算法、基于降噪自編碼網(wǎng)絡(luò)的推薦算法進行比較F1值,由仿真實驗結(jié)果圖可以看出,本文提出的集成神經(jīng)網(wǎng)絡(luò)的TopN推薦算法(CDAETN)有較大的F1值,說明本文提出的CDAETN算法進一步提高了推薦準確率。
【圖文】：

圖 2-4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)對于二維的輸入特征具有較好的處理能力，，常被用來處理圖像文件和音視頻文件等。本文將卷積神經(jīng)網(wǎng)絡(luò)用于對用戶情感特征的提取，獲得用戶對項目的情感趨向，并生成初始的權(quán)重矩陣。

圖 4-7 遺忘函數(shù)曲線非線性遺忘曲線函數(shù)來對用戶興趣偏好進行加權(quán)，度值。遺忘曲線函數(shù)如公式（4-5）所示：(1 ( ))( )i nowt ttime i noww t t e + =
【學(xué)位授予單位】：上海師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.3;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 張艷紅;諶頏;;基于標簽的自助教育資源推薦算法研究[J];現(xiàn)代信息科技;2019年12期

2 李欣鞠;;個性化推薦算法下的“信息繭房”效應(yīng)研究——以“天天快報”為例[J];西部廣播電視;2019年13期

3 俞偉;徐德華;;推薦算法概述與展望[J];科技與創(chuàng)新;2019年04期

4 張世東;;推薦算法概述[J];科技傳播;2019年04期

5 陳軍;謝衛(wèi)紅;陳揚森;;國內(nèi)外大數(shù)據(jù)推薦算法領(lǐng)域前沿動態(tài)研究[J];中國科技論壇;2018年01期

6 向洋樂;;大數(shù)據(jù)背景下互聯(lián)網(wǎng)購物推薦算法應(yīng)用研究[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年04期

7 喻國明;劉鈺菡;王暢穎;王丹敏;;推薦算法:信息推送的王者品性與進階重點[J];山東社會科學(xué);2018年03期

8 劉順程;岳思穎;鐘瑞敏;;基于拉普拉斯噪聲的輕型推薦算法[J];中國戰(zhàn)略新興產(chǎn)業(yè);2018年20期

9 劉濤;劉佐;;一種面向新文章的個性化推薦算法研究[J];控制工程;2018年06期

10 汪海鵬;鄭揚飛;;基于特征值的律師推薦算法及改進方案[J];計算機與現(xiàn)代化;2018年10期

相關(guān)會議論文 前10條

1 米傳民;彭鵬;單曉菲;馬靜;;考慮顯式評分的基于二部圖的推薦算法[A];第十七屆中國管理科學(xué)學(xué)術(shù)年會論文集[C];2015年

2 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

3 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

4 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應(yīng)用技術(shù)交流會論文集[C];2008年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q

本文編號：2695492