聯合深度模型的評分推薦算法研究
發(fā)布時間：2022-01-17 01:57
近年來,科技快速地發(fā)展使信息量出現爆炸式增長,導致用戶很難找到自己想要的信息而出現“信息過載”的問題。推薦系統(tǒng)作為信息過濾的常用方法,是解決“信息過載”的一種有效方式。推薦系統(tǒng)的核心是推薦算法,它決定推薦系統(tǒng)的性能。協同過濾技術作為一種推薦算法現已應用于推薦系統(tǒng)中。但這類算法的有效性有限,只能學到用戶和項目的淺層次特征,而無法學到深層次的特征表示,因此制約推薦算法的性能。此外,數據量太大會出現數據稀疏性問題,這也會影響推薦精度。深度學習技術應用于圖像與語音等方面取得突破,原因是該方法能夠通過深層次的非線性結構學習交互數據信息,這樣就得到數據深層次表示特征。因此許多專家和學者提出一些利用深度學習的方法應用于推薦中。這樣就能有效處理協同過濾算法及其擴展算法存在的缺陷,從而獲得較好的推薦精度。但這些方法還存在挖掘隱含信息能力不足和數據稀疏性問題導致推薦結果并不是令人很滿意。因此,本文對國內外的評分推薦的算法進行相關研究,在協同過濾的評分推薦算法研究上,重點對基于深度學習的評分推薦算法進行深入研究,包括挖掘隱含信息能力、信息利用、數據稀疏性和推薦精度等若干問題。本文的主要工作包括:1.本文對推...
【文章來源】：安徽大學安徽省 211工程院校
【文章頁數】：60 頁
【學位級別】：碩士
【部分圖文】：
基于協同過濾的推薦算法Figure1.1Recommendationalgorithmbasedoncollaborativefiltering
第一章緒論6時用自身信息來獲得更多的相對權重，即用戶對項目(項目對用戶)信息偏好信息。此外，我們利用雙重學習機制，我們不僅從用戶-項目中學習，還從項目-用戶學習。使獲取的信息更加準確。根據我們實驗結果證明了DLSA算法具有較好的推薦效果。圖1.2本文組織結構圖Figure1.2Organizationalstructureofthisdissertation1.4本文組織結構本文有五個章節(jié)，如圖1.2所示。其內容安排如下：第一章：緒論。簡單闡述推薦算法的研究背景與意義、國內外專家與學者在評分推薦問題上的研究。對基于協同過濾的評分算法和基于深度學習的評分推薦算法研究現狀進行概述。此外，重點介紹本文的主要研究工作。最后描述了本論文的整體組織結構。第二章：評分推薦算法概述。描述了推薦系統(tǒng)，評分推薦的定義與應用。詳細介紹了基于協同過濾的推薦算法的概念及其幾種常用評分算法。此外對基于深度學習的評分推薦的幾種算法進行描述。最后對本文實驗中使用到的數據集進行一般性描述。第三章：DeepHM評分推薦算法。該算法是基于WideandDeep模型提出一種深度混合評分推薦算法。本章首先介紹WideandDeep模型并指出算法存在的問題以及在應用于評分推薦中不適應性原因。其次，對DeepHM算法進行詳細描述并明確DeepHM評分推薦算法與WideandDeep算法的區(qū)別。最后通過與對比算法在幾個數據集上進行實
安徽大學碩士學位論文11（AutoEncoder，AE）、受限玻爾茲曼機（RBM）、多層感知機（Multi-LayerPerceptron，MLP）[23]和注意力（Attention）。Hiton等人提出了自動編碼機概念，其思想是利用通過一個編碼器和解碼器來重構輸入數據，常用于高維數據的降維處理和特征表示。自動編碼機基本模型一般包括兩個組成部分：一個編碼器和一個解碼器。編碼器是將數據進行編碼，而解碼器的作用是將編碼的數據進行還原。自動編碼機一般包括一個輸入層，一個隱層和一個輸出層的三層結構，其基本示意圖如圖2.1所示。自動編碼機的本質是使輸入和輸出盡量保持一致。此外，Strub等人[24]在自動編碼機的基礎上提出了基于協同過濾的兩個棧式噪自動編碼機(SDAE)算法，通過對用戶與項目交互評分信息分別利用輸入的向量表示，其次，對模型進行訓練得到用戶和項目的特征表示。最后根據訓練完成的模型進行評分預測以獲得較好的推薦效果。SDAE算法對評分數據中沒有評分項目在模型訓練過程中直接設置零，這樣不但減少了網絡連接數量提升算法計算速度，而且推薦精度上具有一定的提升。利用自動編碼機能夠獲得不錯的推薦效果。玻爾茲曼機[25]包括可見單元和隱藏單元，對應兩類神經元變量，即神經元被抑制的狀態(tài)制下是0，而被激活的狀態(tài)下結果是1。這兩種狀態(tài)可相互轉換，即0可變?yōu)?,1圖2.1自動編碼機結構示意圖Figure2.1Autoencoderstructurediagram可變?yōu)?。雖然玻爾茲曼機的學習表示能力較強，但是運算量大且費時。在此外基礎上故Hinton等人出了RBM算法。RBM是一個隨機神經網絡，即網絡的神經元節(jié)點被激活的概率是隨機的。它包含一個隱藏層和一個可視層。處在同一層位置各個神經元是獨立存在，而在不同層之間它們是互相連接的，如圖2.2所示。常用的RBM一般是是二
本文編號：3593824
【文章來源】：安徽大學安徽省 211工程院校
【文章頁數】：60 頁
【學位級別】：碩士
【部分圖文】：
基于協同過濾的推薦算法Figure1.1Recommendationalgorithmbasedoncollaborativefiltering
第一章緒論6時用自身信息來獲得更多的相對權重，即用戶對項目(項目對用戶)信息偏好信息。此外，我們利用雙重學習機制，我們不僅從用戶-項目中學習，還從項目-用戶學習。使獲取的信息更加準確。根據我們實驗結果證明了DLSA算法具有較好的推薦效果。圖1.2本文組織結構圖Figure1.2Organizationalstructureofthisdissertation1.4本文組織結構本文有五個章節(jié)，如圖1.2所示。其內容安排如下：第一章：緒論。簡單闡述推薦算法的研究背景與意義、國內外專家與學者在評分推薦問題上的研究。對基于協同過濾的評分算法和基于深度學習的評分推薦算法研究現狀進行概述。此外，重點介紹本文的主要研究工作。最后描述了本論文的整體組織結構。第二章：評分推薦算法概述。描述了推薦系統(tǒng)，評分推薦的定義與應用。詳細介紹了基于協同過濾的推薦算法的概念及其幾種常用評分算法。此外對基于深度學習的評分推薦的幾種算法進行描述。最后對本文實驗中使用到的數據集進行一般性描述。第三章：DeepHM評分推薦算法。該算法是基于WideandDeep模型提出一種深度混合評分推薦算法。本章首先介紹WideandDeep模型并指出算法存在的問題以及在應用于評分推薦中不適應性原因。其次，對DeepHM算法進行詳細描述并明確DeepHM評分推薦算法與WideandDeep算法的區(qū)別。最后通過與對比算法在幾個數據集上進行實
安徽大學碩士學位論文11（AutoEncoder，AE）、受限玻爾茲曼機（RBM）、多層感知機（Multi-LayerPerceptron，MLP）[23]和注意力（Attention）。Hiton等人提出了自動編碼機概念，其思想是利用通過一個編碼器和解碼器來重構輸入數據，常用于高維數據的降維處理和特征表示。自動編碼機基本模型一般包括兩個組成部分：一個編碼器和一個解碼器。編碼器是將數據進行編碼，而解碼器的作用是將編碼的數據進行還原。自動編碼機一般包括一個輸入層，一個隱層和一個輸出層的三層結構，其基本示意圖如圖2.1所示。自動編碼機的本質是使輸入和輸出盡量保持一致。此外，Strub等人[24]在自動編碼機的基礎上提出了基于協同過濾的兩個棧式噪自動編碼機(SDAE)算法，通過對用戶與項目交互評分信息分別利用輸入的向量表示，其次，對模型進行訓練得到用戶和項目的特征表示。最后根據訓練完成的模型進行評分預測以獲得較好的推薦效果。SDAE算法對評分數據中沒有評分項目在模型訓練過程中直接設置零，這樣不但減少了網絡連接數量提升算法計算速度，而且推薦精度上具有一定的提升。利用自動編碼機能夠獲得不錯的推薦效果。玻爾茲曼機[25]包括可見單元和隱藏單元，對應兩類神經元變量，即神經元被抑制的狀態(tài)制下是0，而被激活的狀態(tài)下結果是1。這兩種狀態(tài)可相互轉換，即0可變?yōu)?,1圖2.1自動編碼機結構示意圖Figure2.1Autoencoderstructurediagram可變?yōu)?。雖然玻爾茲曼機的學習表示能力較強，但是運算量大且費時。在此外基礎上故Hinton等人出了RBM算法。RBM是一個隨機神經網絡，即網絡的神經元節(jié)點被激活的概率是隨機的。它包含一個隱藏層和一個可視層。處在同一層位置各個神經元是獨立存在，而在不同層之間它們是互相連接的，如圖2.2所示。常用的RBM一般是是二
本文編號：3593824
本文鏈接：http://www.sikaile.net/kejilunwen/shengwushengchang/3593824.html
最近更新
教材專著
