推薦系統(tǒng)是給予消費(fèi)者消費(fèi)推薦的一個(gè)系統(tǒng)。鑒于網(wǎng)絡(luò)上可用信息的爆炸式增長(zhǎng),消費(fèi)者在日常生活中可能會(huì)面對(duì)無(wú)數(shù)受歡迎的產(chǎn)品、電影或者餐飲。因此,為了從眾多的商品中選出用戶(hù)所心儀的商品,個(gè)性化的推薦就成了給予消費(fèi)者更好用戶(hù)體驗(yàn)的基本策略。現(xiàn)在的推薦系統(tǒng)在各種信息訪問(wèn)系統(tǒng)中發(fā)揮著舉足輕重的作用,以促進(jìn)用戶(hù)的決策過(guò)程。正是如此,推薦系統(tǒng)在諸多電子商務(wù)或媒體網(wǎng)站等領(lǐng)域普遍存在。近些年來(lái),深度學(xué)習(xí)在自然語(yǔ)言處理、圖像識(shí)別等諸多領(lǐng)域均取得了顯著的成效,也不斷有學(xué)者在其它領(lǐng)域嘗試以深度學(xué)習(xí)的方式來(lái)處理傳統(tǒng)方式難以解決的復(fù)雜問(wèn)題。這是由于深度學(xué)習(xí)能夠從海量的數(shù)據(jù)中準(zhǔn)確地提取物品之間隱含的非線(xiàn)性關(guān)系,并且能夠?qū)⒏黝?lèi)抽象的行為特征轉(zhuǎn)化成更為具體的數(shù)據(jù)進(jìn)行表示。在推薦領(lǐng)域,深度學(xué)習(xí)使得推薦體系結(jié)構(gòu)發(fā)生了巨大的變革,為提高推薦系統(tǒng)的性能提供了更好的方法�；谏疃葘W(xué)習(xí)的推薦系統(tǒng)克服了傳統(tǒng)推薦模式的種種障礙,取得了更高的推薦質(zhì)量,因此受到了廣泛的關(guān)注。本文針對(duì)基于深度學(xué)習(xí)的個(gè)性化推薦模型的研究主要工作如下:1)對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析處理,數(shù)據(jù)處理主要包含對(duì)數(shù)據(jù)集的預(yù)處理與對(duì)序列數(shù)據(jù)的增強(qiáng)操作。本文的預(yù)處理手段采用了缺損值...

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦系統(tǒng)現(xiàn)狀
        1.2.2 深度學(xué)習(xí)在推薦系統(tǒng)方面的應(yīng)用
    1.3 本文研究?jī)?nèi)容
    1.4 本文層次結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)原理
    2.1 推薦系統(tǒng)原理
    2.2 深度學(xué)習(xí)概述
    2.3 本文所用算法
        2.3.1 門(mén)循環(huán)單元
        2.3.2 注意力機(jī)制
    2.4 數(shù)據(jù)來(lái)源
    2.5 本章小結(jié)
第三章 數(shù)據(jù)分析與處理
    3.1 數(shù)據(jù)預(yù)處理
        3.1.1 缺損值處理
        3.1.2 數(shù)據(jù)格式化及樣本均衡
        3.1.3 特征編碼與降維
    3.2 超長(zhǎng)與超短序列問(wèn)題
        3.2.1 超長(zhǎng)序列問(wèn)題
        3.2.2 短序列的數(shù)據(jù)增強(qiáng)
    3.3 本章小結(jié)
第四章 用戶(hù)序列隱性特征提取模型
    4.1 推薦系統(tǒng)模型設(shè)計(jì)
    4.2 深度興趣網(wǎng)絡(luò)
        4.2.1 興趣提取
        4.2.2 興趣局部激活
    4.3 深度興趣進(jìn)化網(wǎng)絡(luò)
        4.3.1 GRU興趣提取
        4.3.2 輔助損失
        4.3.3 興趣進(jìn)化
    4.4 其余隱性特征提取模型
        4.4.1 淺層與深層特征結(jié)合模型
        4.4.2 基于乘法運(yùn)算的特征交叉模型
    4.5 本章小結(jié)
第五章 基于特征權(quán)重提取的個(gè)性化推薦模型
    5.1 用戶(hù)特征權(quán)重提取模型
        5.1.1 長(zhǎng)短期興趣提取
        5.1.2 權(quán)重分配算法
        5.1.3 特征權(quán)重提取模型結(jié)構(gòu)
    5.2 本文個(gè)性化推薦模型結(jié)構(gòu)
    5.3 模型相關(guān)設(shè)置
        5.3.1 過(guò)擬合問(wèn)題
        5.3.2 相關(guān)訓(xùn)練設(shè)置
    5.4 實(shí)際應(yīng)用分析
    5.5 本章小結(jié)
第六章 實(shí)驗(yàn)結(jié)果對(duì)比分析
    6.1 實(shí)驗(yàn)平臺(tái)
    6.2 評(píng)價(jià)指標(biāo)
        6.2.1 混淆矩陣
        6.2.2 準(zhǔn)確率、精準(zhǔn)率與召回率
        6.2.3 ROC與 AUC
    6.3 實(shí)驗(yàn)設(shè)置
    6.4 實(shí)驗(yàn)結(jié)果
        6.4.1 模型效果驗(yàn)證
        6.4.2 隱性特征提取對(duì)比驗(yàn)證
        6.4.3 注意力結(jié)合方式驗(yàn)證
        6.4.4 正則化效果驗(yàn)證
        6.4.5 其余對(duì)比驗(yàn)證
        6.4.6 模型訓(xùn)練可視化結(jié)果
    6.5 本章小結(jié)
第七章 結(jié)束語(yǔ)
    7.1 全文總結(jié)
    7.2 不足與展望
致謝
參考文獻(xiàn)
攻碩期間取得的研究成果



本文編號(hào)：3808355