隨著數(shù)據(jù)量爆發(fā)式增長,深度神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)用研究迎來高速發(fā)展時期。傳統(tǒng)的推薦技術(shù)主要包括基于內(nèi)容的推薦方式（協(xié)同推薦技術(shù)）、基于用戶的推薦方式以及基于模型的推薦方式等。得益于深度學(xué)習(xí)的重大進展,眾多的研究成果紛紛應(yīng)用于推薦系統(tǒng),使得基于深度學(xué)習(xí)的推薦成為一個新興的主流�；谏疃葘W(xué)習(xí)的推薦技術(shù)對時間信息的使用大都僅限于單次推薦,無法滿足推薦系統(tǒng)的長期有效性;應(yīng)用于推薦系統(tǒng)的深度學(xué)習(xí)方法過于局限,推薦精度有待提高;深度學(xué)習(xí)模型在用于推薦系統(tǒng)時,往往存在“冷啟動”以及梯度消失的問題,推薦效果較差。針對上述三個問題,本論文主要研究了混合多種時間信息的生成對抗網(wǎng)絡(luò)算法,并在推薦系統(tǒng)中進行了應(yīng)用,更具體地說,這里的推薦是指對于電影、音樂等的推薦。首先針對基于深度學(xué)習(xí)的推薦技術(shù)無法充分利用時間信息的問題,論文采用一種混合多種時間因素的奇異值分解方法,該方法不僅考慮了時間因素影響推薦結(jié)果的四個主要因素,還考慮了季節(jié)性等其他細小時間因素。相較于傳統(tǒng)奇異值分解方法,該方法充分利用了時間信息,推薦結(jié)果誤差更小而且更具時效性;其次針對傳統(tǒng)深度學(xué)習(xí)方法的局限性問題,論文使用在圖像等領(lǐng)域應(yīng)用廣泛的生成對抗... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究與現(xiàn)狀
        1.2.1 推薦算法的研究與現(xiàn)狀
        1.2.2 時間序列方法
        1.2.3 生成對抗網(wǎng)絡(luò)
    1.3 本論文主要工作
    1.4 本論文的結(jié)構(gòu)安排
第二章 基礎(chǔ)知識及相關(guān)概念
    2.1 個性化推薦算法
        2.1.1 基于內(nèi)容的推薦算法
        2.1.2 協(xié)同過濾
        2.1.3 奇異值分解
    2.2 時間序列
        2.2.1 時間序列表示及方法
        2.2.2 奇異值分解與時間序列
        2.2.3 協(xié)同過濾與時間序列
    2.3 生成對抗網(wǎng)絡(luò)結(jié)構(gòu)以及常用方法
        2.3.1 生成對抗網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.3.3 生成對抗網(wǎng)絡(luò)訓(xùn)練方法
    2.4 重要概念及方法
        2.4.1 隨機梯度下降法
        2.4.2 學(xué)習(xí)速率調(diào)優(yōu)以及正則化
    2.5 模型優(yōu)化方法
        2.5.1 過擬合與規(guī)范化
        2.5.2 消失的梯度問題
    2.6 本章小結(jié)
第三章 時間序列方法及實現(xiàn)
    3.1 時間序列方法概述
    3.2 融合時間信息的推薦算法研究與實現(xiàn)
        3.2.1 融合時間信息的推薦算法實現(xiàn)
        3.2.2 網(wǎng)絡(luò)訓(xùn)練
        3.2.3 與同類方法相比
    3.3 本章小結(jié)
第四章 基于生成對抗網(wǎng)絡(luò)的推薦方法
    4.1 用于推薦算法的生成對抗模型
        4.1.1 生成模型
        4.1.2 鑒別模型
        4.1.3 綜合函數(shù)
        4.1.4 修正梯度下降法
    4.2 用于推薦系統(tǒng)的生成對抗網(wǎng)絡(luò)的實現(xiàn)與測試
        4.2.1 Tensorflow框架與Anaconda管理
        4.2.2 生成對抗網(wǎng)絡(luò)實現(xiàn)
        4.2.3 網(wǎng)絡(luò)訓(xùn)練
        4.2.4 對比修正前GAN
    4.3 本章小結(jié)
第五章 基于生成對抗網(wǎng)絡(luò)混合時間序列的推薦方法
    5.1 GAN中加入時間序列因素的可行性
    5.2 改進的生成對抗網(wǎng)絡(luò)模型
        5.2.1 生成模型和鑒別模型的改進
        5.2.2 評分函數(shù)的改進
    5.3 訓(xùn)練網(wǎng)絡(luò)
    5.4 實驗結(jié)果對比與分析
    5.5 本章小結(jié)
第六章 基于時間信息的GAN模型的推薦系統(tǒng)設(shè)計與實現(xiàn)
    6.1 推薦系統(tǒng)需求分析
    6.2 系統(tǒng)總體設(shè)計
    6.3 系統(tǒng)詳細設(shè)計
        6.3.1 數(shù)據(jù)流預(yù)處理
        6.3.2 推薦算法模塊
    6.4 設(shè)計與實現(xiàn)細節(jié)
        6.4.1 數(shù)據(jù)庫搭建以及前后端連接
        6.4.2 前端設(shè)計與實現(xiàn)
        6.4.3 服務(wù)器端開發(fā)
    6.5 系統(tǒng)測試與分析
        6.5.1 系統(tǒng)主要界面與功能測試
        6.5.2 系統(tǒng)的性能測試
        6.5.3 系統(tǒng)的優(yōu)缺點
    6.6 本章小結(jié)
第七章 總結(jié)與展望
    7.1 本論文的主要貢獻
    7.2 下一步工作的展望
致謝
參考文獻
攻讀碩士學(xué)位期間取得的成果


【參考文獻】：
期刊論文
[1]Recommendation over time: a probabilistic model of time-aware recommender systems[J]. Zuoquan LIN,Hanxuan CHEN.  Science China（Information Sciences）. 2019(11)
[2]個性化推薦系統(tǒng)概述[J]. 高鳳麗,孫連山.  技術(shù)與市場. 2015(02)
[3]互聯(lián)網(wǎng)傳播中的長尾理論與小眾傳播[J]. 陳力丹,霍仟.  西南民族大學(xué)學(xué)報(人文社會科學(xué)版). 2013(04)
[4]L1正則化機器學(xué)習(xí)問題求解分析[J]. 孔康,汪群山,梁萬路.  計算機工程. 2011(17)
[5]推薦算法綜述[J]. 楊博,趙鵬飛.  山西大學(xué)學(xué)報(自然科學(xué)版). 2011(03)
[6]信息過載問題研究述評[J]. 藺豐奇,劉益.  情報理論與實踐. 2007(05)
[7]不確定性人工智能[J]. 李德毅,劉常昱,杜鹢,韓旭.  軟件學(xué)報. 2004(11)



本文編號：3172677