隨著互聯(lián)網(wǎng)的快速發(fā)展,人們生產(chǎn)、復(fù)制和傳播信息的能力大大增強(qiáng),整個(gè)社會(huì)面臨前所未有的信息過(guò)載問(wèn)題,個(gè)性化推薦系統(tǒng)是解決該問(wèn)題的有力手段。協(xié)同過(guò)濾是推薦系統(tǒng)中較為常用的一種方法,由于其良好的可擴(kuò)展性和易用性被廣泛應(yīng)用。但是協(xié)同過(guò)濾算法的推薦準(zhǔn)確度會(huì)因?yàn)樵u(píng)分矩陣包含大量的缺失值而大幅度降低,且對(duì)于新用戶和新物品存在冷啟動(dòng)的問(wèn)題。近年來(lái),深度學(xué)習(xí)已被應(yīng)用在自然語(yǔ)言處理、音頻識(shí)別和交通監(jiān)控等領(lǐng)域,并且獲得了突飛猛進(jìn)的發(fā)展,也為推薦系統(tǒng)帶來(lái)了新的機(jī)遇。本文首先對(duì)傳統(tǒng)的協(xié)同過(guò)濾算法進(jìn)行改進(jìn),通過(guò)標(biāo)簽信息來(lái)輔助緩解協(xié)同過(guò)濾稀疏性問(wèn)題,提出了基于標(biāo)簽分類的協(xié)同過(guò)濾推薦算法LCCF,將不完整的數(shù)據(jù)樣本根據(jù)標(biāo)簽進(jìn)行分類,使分解的矩陣依賴于類,隨后使用迭代投影尋蹤的方法計(jì)算依賴矩陣的線性組合及其對(duì)應(yīng)權(quán)重,最后進(jìn)行協(xié)同過(guò)濾推薦。針對(duì)傳統(tǒng)協(xié)同過(guò)濾自身的局限性與評(píng)分信息單一的問(wèn)題,結(jié)合深度學(xué)習(xí)模型中的降噪自編碼器,提出了基于信任信息的降噪自編碼器協(xié)同過(guò)濾推薦算法TDAE,通過(guò)相關(guān)度計(jì)算提取隱式信任信息,然后與數(shù)據(jù)集中的顯式信任信息和評(píng)分信息與降噪自編碼器模型進(jìn)行整合,并對(duì)降噪自編碼器的輸入進(jìn)行稀疏化處理,最后進(jìn)行... 

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與動(dòng)機(jī)
    1.2 研究?jī)?nèi)容與貢獻(xiàn)
    1.3 章節(jié)安排
第二章 相關(guān)知識(shí)概述
    2.1 協(xié)同過(guò)濾推薦算法
        2.1.1 推薦系統(tǒng)概述
        2.1.2 協(xié)同過(guò)濾算法分類
        2.1.3 傳統(tǒng)協(xié)同過(guò)濾面臨的問(wèn)題
    2.2 深度學(xué)習(xí)及其在協(xié)同過(guò)濾中的應(yīng)用
        2.2.1 深度學(xué)習(xí)概述
        2.2.2 深度學(xué)習(xí)常用模型
        2.2.3 深度學(xué)習(xí)在協(xié)同過(guò)濾中的應(yīng)用
    2.3 本章小結(jié)
第三章 基于標(biāo)簽分類的協(xié)同過(guò)濾推薦算法
    3.1 ALS協(xié)同過(guò)濾推薦算法
    3.2 LCCF推薦算法
        3.2.1 算法描述
        3.2.2 空缺樣本分類
        3.2.3 迭代投影尋蹤插補(bǔ)法
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 數(shù)據(jù)集和環(huán)境介紹
        3.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于信任降噪自編碼器的協(xié)同過(guò)濾推薦算法
    4.1 降噪自編碼器
    4.2 信任關(guān)系計(jì)算
    4.3 DAET推薦算法
        4.3.1 算法描述
        4.3.2 提取隱式信任信息
        4.3.3 信任信息整合
        4.3.4 輸入稀疏化
        4.3.5 訓(xùn)練模型
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 數(shù)據(jù)集和環(huán)境介紹
        4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)和對(duì)比算法
        4.4.3 實(shí)驗(yàn)預(yù)處理
        4.4.4 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間撰寫的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[2]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)
[3]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢(mèng)溪,王珊.  軟件學(xué)報(bào). 2017(03)
[4]社會(huì)化推薦系統(tǒng)研究[J]. 孟祥武,劉樹(shù)棟,張玉潔,胡勛.  軟件學(xué)報(bào). 2015(06)
[5]基于推薦質(zhì)量的信任感知推薦系統(tǒng)[J]. 王海艷,周洋.  計(jì)算機(jī)科學(xué). 2014(06)
[6]基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的協(xié)同過(guò)濾推薦方法[J]. 趙永梅,任大勇.  黑龍江科技信息. 2010(14)
[7]網(wǎng)上信息搜索技術(shù)與搜索引擎[J]. 姚國(guó)祥,羅偉其,沈鎮(zhèn)林.  計(jì)算機(jī)科學(xué). 2000(07)
[8]投影尋蹤技術(shù)及其應(yīng)用進(jìn)展[J]. 李祚泳.  自然雜志. 1997(04)

碩士論文
[1]基于SVD和用戶聚類的協(xié)同過(guò)濾算法研究[D]. 王沖.青島理工大學(xué) 2018



本文編號(hào)：3704564