隨著互聯網的不斷發(fā)展,從聽音樂、看新聞、瀏覽視頻到購買商品,推薦系統早已無處不在,推薦算法逐漸成為各大企業(yè)解決信息過載的主要技術手段�，F有的推薦算法主要是根據用戶或者物品來計算相似度,從而為用戶推薦更為相似的物品,但是這已經遠遠滿足不了用戶的需求。而隨著用戶瀏覽日志的累加和物品信息的完善,與推薦相關的輔助信息也越來越多,這些輔助信息統稱為side information,如何有效地結合side information與傳統的推薦算法已經成為目前推薦領域的研究熱點。傳統的推薦算法研究存在如下兩個問題:一主要在擬合用戶的評分數據,即便使用了部分用戶信息或者物品信息,也只能提取淺層次的用戶特征或者物品特征,如果能夠充分利用海量的結構化和非結構化的數據,就可以挖掘數據的深層次特征,更好地對用戶和物品進行建模,從而為用戶推薦更有代表性的物品;二是冷啟動問題突出,數據稀疏性嚴重。協同過濾是推薦算法中最常用的一種方法,在工業(yè)界和學術界有大量的研究和應用涌現。雖然有些研究已經開始使用side information來提取隱變量,但是仍有提升的空間。本研究基于side information和深度學習提... 

【文章頁數】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 背景意義
    1.2 研究現狀與存在問題
        1.2.1 國內外研究現狀
        1.2.2 現有研究存在的問題
    1.3 本論文的研究成果
        1.3.1 本論文的工作
        1.3.2 本論文的創(chuàng)新點
    1.4 本論文的篇章架構
第二章 基于side information和深度學習的推薦算法技術分析
    2.1 對推薦算法的研究綜述
    2.2 本論文的技術路線
    2.3 相關理論與技術簡介
        2.3.1 基于矩陣分解的推薦算法
        2.3.2 基于深度學習的推薦算法
    2.4 本章小結
第三章 基于side information和深度學習的推薦算法研究
    3.1 side information的特征分析和預處理方法研究
        3.1.1 side information的特征研究
        3.1.2 side information的預處理方法研究
    3.2 基于卷積神經網絡和詞向量的推薦算法研究
        3.2.1 問題定義
        3.2.2 基于卷積神經網絡的推薦算法研究
        3.2.3 基于詞向量的推薦算法研究
    3.3 基于side information和深度學習的PHD模型
        3.3.1 PHD模型
        3.3.2 基于PHD模型的輔助堆疊去噪自編碼器
        3.3.3 基于PHD模型的卷積神經網絡
        3.3.4 基于PHD模型的求解
    3.4 基于PHD模型的優(yōu)化和并行化研究
        3.4.1 基于PHD模型的優(yōu)化研究
        3.4.2 基于PHD模型的并行化研究
    3.5 本章小結
第四章 基于side information和深度學習的推薦算法實現分析
    4.1 數據集介紹
    4.2 實驗方法
        4.2.1 實驗設計
        4.2.2 對比方法
        4.2.3 評價指標
    4.3 實驗對比
    4.4 系統實現
        4.4.1 系統架構
        4.4.2 系統設計
        4.4.3 實現結果
    4.5 本章小結
第五章 總結與展望
    5.1 研究總結
    5.2 研究展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表的學術論文
攻讀碩士學位期間參與的項目


【參考文獻】：
期刊論文
[1]移動互聯網推薦系統研究綜述[J]. 陳偉,卜慶凱.  電腦知識與技術. 2018(11)
[2]基于深度學習的推薦系統研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[3]深度學習研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學學報. 2015(01)

博士論文
[1]推薦系統若干關鍵技術研究[D]. 蔣偉.電子科技大學 2018



本文編號：3693385