由于互聯(lián)網(wǎng)行業(yè)的持續(xù)發(fā)酵以及科學技術的不斷發(fā)展,信息的輸出呈現(xiàn)爆發(fā)態(tài)勢,這也導致信息過載問題的出現(xiàn)。曾經(jīng),人們獲取知識的主要手段是依據(jù)不同分類目錄進行檢索,之后進化為通過搜索工具(例如,搜索引擎)進行主動式搜索。但以上方式都是基于信息消費者知曉自我需求,并且有根據(jù)需求去進行自我發(fā)掘知識的欲望。當主動探求的欲望達到瓶頸,信息過載問題就會尤為凸顯。這時,一種可以自行發(fā)掘用戶需求、滿足用戶興趣的新型信息獲取方式就隨之應運而生,這種方式就是推薦系統(tǒng)。推薦系統(tǒng)的主要任務就是溝通信息生產(chǎn)者和信息消費者,一方面將信息生產(chǎn)者生產(chǎn)的信息推送給目標客戶,另一方面為信息消費者尋找感興趣的相關信息,而這一過程無需顯式地提供目標需求。深度學習方法在諸多領域都取得了卓越的成效,使用深度學習方法來解決推薦問題是當前推薦模型研究的熱點之一。神經(jīng)協(xié)同過濾推薦框架就是一種使用神經(jīng)網(wǎng)絡手段擴展傳統(tǒng)協(xié)同過濾的一種深度學習代表性方法。但無論是傳統(tǒng)推薦模型還是基于深度學習的推薦模型,都會面臨數(shù)據(jù)稀疏問題。緩解數(shù)據(jù)稀疏問題的一種方法是使用邊信息例如社交關系數(shù)據(jù)進行擴展。當前的神經(jīng)協(xié)同過濾方法未能引入社交信息以提升推薦效果,本文以提...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文研究內容
    1.4 本文組織結構
第2章 相關理論簡介
    2.1 推薦系統(tǒng)
        2.1.1 理論基礎
        2.1.2 評價標準
        2.1.3 面臨的問題與挑戰(zhàn)
    2.2 深度學習基礎理論
        2.2.1 多層感知機
        2.2.2 自編碼器
        2.2.3 注意力機制
    2.3 本章小結
第3章 神經(jīng)協(xié)同過濾框架模型
    3.1 神經(jīng)協(xié)同過濾框架
    3.2 框架擴展實例AGREE
    3.3 本章小結
第4章 融合社交關系的注意力模型
    4.1 模型基本結構
    4.2 數(shù)據(jù)嵌入
    4.3 特征提取
    4.4 特征融合
    4.5 完整模型
    4.6 本章小結
第5章 實驗與結果分析
    5.1 實驗數(shù)據(jù)與實驗環(huán)境
        5.1.1 實驗數(shù)據(jù)集
        5.1.2 實驗環(huán)境
    5.2 實驗評價標準
    5.3 實驗方案
    5.4 實驗結果與分析
        5.4.1 模型對比
        5.4.2 參數(shù)分析
        5.4.3 模型整體性分析
    5.5 本章小結
第6章 總結與展望
    6.1 工作總結
    6.2 未來工作方向
參考文獻
作者簡介及在學期間所取得的科研成果
致謝



本文編號：3753426