當下互聯(lián)網(wǎng)技術飛速發(fā)展,海量的信息資源使得網(wǎng)絡利用率急劇下降,所以,如何快速為用戶推薦出滿足其需求條件的信息,并提高推薦系統(tǒng)的個性化和推薦效果的準確性,成為目前尤為突出的待解決研究點。本文針對推薦系統(tǒng)的個性化服務效果和推薦結果的準確度提升等,改進了傳統(tǒng)推薦算法,并將深度學習技術與推薦系統(tǒng)相結合,融入到了多Agent推薦框架之中,以此展開深入的研究。本文的主要研究內容如下:(1)針對傳統(tǒng)基于協(xié)同過濾的推薦中存在的冷啟動以及推薦準確度較低的問題,在協(xié)同過濾算法的基礎上,提出了基于K-means的矩陣分解推薦算法(Matrix Factorization Based on K-means,KMMF)。該算法先提取出興趣相似的用戶,再以此為基礎進行矩陣分解。小規(guī)模的矩陣運算可以有效降低計算復雜度。實驗結果表明,改進的KMMF算法相較于傳統(tǒng)的基于內容的推薦和矩陣分解推薦,在召回率和精確度上都有了明顯的提高,并且在處理用戶冷啟動問題上也取得了很好的效果。(2)針對傳統(tǒng)推薦算法缺乏考慮特征相互作用影響的問題,將深度學習與推薦系統(tǒng)相融合,提出了一種基于深度學習的混合推薦模型(Deep and Cros...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 基于深度學習的推薦方法
        1.2.2 多Agent方法
    1.3 本文的主要工作
    1.4 本文組織結構
2 相關理論與技術
    2.1 基于內容的推薦算法
    2.2 基于協(xié)同過濾的推薦算法
    2.3 深度學習神經(jīng)網(wǎng)絡模型
    2.4 混合推薦策略
        2.4.1 混合推薦結果
        2.4.2 混合推薦過程
    2.5 本章小結
3 基于K-means的矩陣分解算法
    3.1 Funk-SVD矩陣分解
    3.2 K-means聚類分析
    3.3 基于K-means的矩陣分解算法設計
    3.4 實驗驗證與結果分析
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 模型評估指標
        3.4.3 參數(shù)選取
        3.4.4 對比實驗
        3.4.5 模型預測
    3.5 本章小結
4 基于DCFM的深度學習推薦模型
    4.1 因子分解機
    4.2 深度因子分解機
    4.3 基于DCFM的深度學習推薦模型設計
        4.3.1 輸入部分
        4.3.2 主體部分
        4.3.3 輸出部分
    4.4 實驗驗證與結果分析
        4.4.1 模型評估
        4.4.2 實驗及超參設置
        4.4.3 實驗結果
    4.5 本章小結
5 基于XDeepFM的深度學習推薦模型
    5.1 壓縮式交互網(wǎng)絡CIN
    5.2 基于XDeepFM的深度學習推薦模型設計
    5.3 實驗驗證與結果分析
    5.4 本章小結
6 基于多Agent框架的推薦模型
    6.1 多Agent框架設計
    6.2 實驗驗證與結果分析
    6.3 本章小結
7 總結與展望
    7.1 研究總結
    7.2 研究展望
參考文獻
作者簡歷
致謝



本文編號：3852679