隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展,每天產(chǎn)生的數(shù)據(jù)量在爆發(fā)式增長(zhǎng)。在信息量嚴(yán)重過(guò)載,競(jìng)爭(zhēng)極為激勵(lì)的今天,傳統(tǒng)的搜索引擎已經(jīng)無(wú)法滿足當(dāng)前的需求。推薦系統(tǒng)在這樣情景下應(yīng)運(yùn)而生,成為很多網(wǎng)站很重要的一部分,也成為新時(shí)代的一個(gè)新寵,其中使用范圍最廣泛的是協(xié)同過(guò)濾技術(shù)。協(xié)同過(guò)濾算法雖然應(yīng)該最為廣泛,但是也面臨著嚴(yán)重的數(shù)據(jù)稀疏性、擴(kuò)展性和冷啟動(dòng)等問(wèn)題。為了解決這些問(wèn)題,本文提出了基于回歸的條件受限波爾茲曼機(jī)推薦模型（Regression-based on CRBM,簡(jiǎn)記為R-CRBM）,還有基于強(qiáng)化的受限波爾茲曼機(jī)模型（Strengthen-based on CRBM,簡(jiǎn)記為S-CRBM）和隱因子模型（LFM）的混合推薦模型（SCRBM-LFM）。首先,本文在RBM模型基礎(chǔ)上引入條件層,分別使用用戶信息和項(xiàng)目信息對(duì)模型進(jìn)行訓(xùn)練,并使用線性歸回算法對(duì)兩個(gè)結(jié)果進(jìn)行融合。其次,本文在基于條件的受限波爾茲曼機(jī)模型基礎(chǔ)上引入強(qiáng)化層,強(qiáng)化層由基于用戶特征的項(xiàng)目相似度計(jì)算方法計(jì)算而來(lái),訓(xùn)練模型生成推薦候選集,最后使用隱因子模型對(duì)候選集進(jìn)行排序,進(jìn)行Top-N推薦。本文在公開(kāi)數(shù)據(jù)集MovieLense上進(jìn)行對(duì)比試驗(yàn)和結(jié)果分... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

推薦算法Fig.1-1Recommendationalgorithm

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文可以知道物品 A 和物品 C 很相似，所以默認(rèn)認(rèn)為購(gòu)買(mǎi)物品 A 買(mǎi)物品 C，所以既然用戶丙喜歡用品 A，那么接下來(lái)就可以戶丙。可見(jiàn)，User-Based CF 的計(jì)算復(fù)雜度比 Item-Based CF 很多，但是它可以幫助用戶找到新類別的有一定驚喜度的項(xiàng)相似度在一定的時(shí)間內(nèi)幾乎不會(huì)發(fā)生變化，很難給用戶帶來(lái)個(gè)方面將 User-Based CF 和 Item-Based CF 進(jìn)行了簡(jiǎn)單的對(duì)比總

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文經(jīng)單元的偏置向量用Tmb (b,b,...,b)12 來(lái)表示，隱藏層第 j 個(gè)神經(jīng)元的狀態(tài)用 0 ,1 jh 來(lái)表示，隱藏層第 j 個(gè)神經(jīng)元的偏置值用jb 來(lái)表示，神經(jīng)單元之間的連接權(quán)重矩陣用mnijWwR ( ) 來(lái)表示，可視層神經(jīng)元i與隱藏層神經(jīng)元 j 之間的連接權(quán)值用ijw 來(lái)表示。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的開(kāi)放領(lǐng)域?qū)υ捪到y(tǒng)研究綜述[J]. 陳晨,朱晴晴,嚴(yán)睿,柳軍飛.  計(jì)算機(jī)學(xué)報(bào). 2019(07)
[2]因子分解機(jī)模型研究綜述[J]. 趙衎衎,張良富,張靜,李翠平,陳紅.  軟件學(xué)報(bào). 2019(03)
[3]基于標(biāo)簽卷積神經(jīng)網(wǎng)絡(luò)的文本推薦算法[J]. 馬驍烊,張謐.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(08)
[4]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[5]融合主題模型和協(xié)同過(guò)濾的多樣化移動(dòng)應(yīng)用推薦[J]. 黃璐,林川杰,何軍,劉紅巖,杜小勇.  軟件學(xué)報(bào). 2017(03)
[6]面向數(shù)據(jù)的軟件體系結(jié)構(gòu)初步探討[J]. 苗放.  計(jì)算機(jī)科學(xué)與探索. 2016(10)
[7]協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 冷亞軍,陸青,梁昌勇.  模式識(shí)別與人工智能. 2014(08)
[8]推薦系統(tǒng)評(píng)價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)

碩士論文
[1]基于深度學(xué)習(xí)的協(xié)同過(guò)濾模型研究[D]. 余沖.深圳大學(xué) 2017
[2]基于機(jī)器學(xué)習(xí)的推薦技術(shù)研究[D]. 孟曉龍.吉林大學(xué) 2016
[3]基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D]. 張艷霞.電子科技大學(xué) 2016
[4]基于排序?qū)W習(xí)的Top-N推薦算法研究[D]. 何平凡.北京理工大學(xué) 2016
[5]基于馬爾可夫鏈蒙特卡羅方法的RBM學(xué)習(xí)算法改進(jìn)[D]. 胡洋.上海交通大學(xué) 2012



本文編號(hào)：2954315