隨著“互聯(lián)網(wǎng)+”時(shí)代的快速發(fā)展,用戶在線購(gòu)物、播放多媒體文件、閱讀新聞資訊越來(lái)越普遍,而互聯(lián)網(wǎng)上的資源數(shù)量龐大,如何快速、精準(zhǔn)地幫助用戶找到感興趣的內(nèi)容成為個(gè)性化推薦系統(tǒng)研究的主要目標(biāo)。用戶的興趣往往與用戶歷史行為及行為發(fā)生的時(shí)間關(guān)系緊密,現(xiàn)有研究中通常只利用了用戶歷史行為數(shù)據(jù)中的商品信息和瀏覽時(shí)序信息,本文提出了一種新的基于遞歸神經(jīng)網(wǎng)絡(luò)的個(gè)性化推薦模型,不僅利用了用戶瀏覽的商品信息和瀏覽時(shí)序信息,還利用了用戶瀏覽時(shí)長(zhǎng)信息來(lái)提升個(gè)性化推薦系統(tǒng)的效果。本文研究中提出了時(shí)長(zhǎng)注意力因子的概念,通過(guò)將用戶瀏覽商品的時(shí)長(zhǎng)信息進(jìn)行一系列變換后得到該用戶對(duì)每個(gè)商品的時(shí)長(zhǎng)注意力因子,其數(shù)值大小可以反映出用戶對(duì)商品感興趣的程度。該時(shí)長(zhǎng)注意力因子和商品信息共同作為輸入添加到包含門(mén)限函數(shù)的遞歸神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和優(yōu)化,得到基于深度學(xué)習(xí)的個(gè)性化推薦系統(tǒng)模型,時(shí)長(zhǎng)信息的加入提升了模型的推薦效果。本文還對(duì)所實(shí)現(xiàn)的個(gè)性化推薦系統(tǒng)的整體框架及各模塊的功能與交互關(guān)系進(jìn)行了說(shuō)明。推薦系統(tǒng)實(shí)際應(yīng)用中的一大難題是冷啟動(dòng)問(wèn)題,本文針對(duì)冷啟動(dòng)問(wèn)題現(xiàn)狀和商品時(shí)效性特征進(jìn)行分析并采用熱門(mén)推薦法對(duì)冷啟動(dòng)用戶進(jìn)行商品推薦。此外本文還研究...

【文章頁(yè)數(shù)】：77 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 個(gè)性化推薦概述
        1.2.1 個(gè)性化推薦常用算法
        1.2.2 個(gè)性化推薦系統(tǒng)的特點(diǎn)和難點(diǎn)
    1.3 國(guó)內(nèi)外研究與應(yīng)用現(xiàn)狀
    1.4 論文主要研究?jī)?nèi)容
    1.5 論文章節(jié)安排
第二章 相關(guān)理論研究
    2.1 協(xié)同過(guò)濾推薦算法
        2.1.1 基于用戶的協(xié)同過(guò)濾算法
        2.1.2 基于物品的協(xié)同過(guò)濾算法
    2.2 基于遞歸神經(jīng)網(wǎng)絡(luò)的推薦算法
        2.2.1 遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 梯度消失問(wèn)題
        2.2.3 LSTM網(wǎng)絡(luò)
    2.3 冷啟動(dòng)問(wèn)題
        2.3.1 冷啟動(dòng)問(wèn)題概述
        2.3.2 冷啟動(dòng)問(wèn)題常用解決方法
    2.4 本章小結(jié)
第三章 時(shí)長(zhǎng)注意力
    3.1 個(gè)性化推薦系統(tǒng)中的時(shí)間信息
        3.1.1 時(shí)間序列信息
        3.1.2 時(shí)間衰減信息
        3.1.3 瀏覽時(shí)長(zhǎng)信息
    3.2 時(shí)長(zhǎng)信息分析及預(yù)處理
    3.3 時(shí)長(zhǎng)信息變換
        3.3.1 時(shí)長(zhǎng)信息變換方法的選取
        3.3.2 時(shí)長(zhǎng)信息變換效果
    3.4 時(shí)長(zhǎng)注意力因子
    3.5 本章小結(jié)
第四章 基于TA-GRU模型的個(gè)性化推薦系統(tǒng)實(shí)現(xiàn)
    4.1 GRU網(wǎng)絡(luò)
    4.2 添加時(shí)長(zhǎng)信息的TA-GRU網(wǎng)絡(luò)
    4.3 不定長(zhǎng)序列mini-batch分配
        4.3.1 不定長(zhǎng)序列mini-batch常用分配方法
        4.3.2 含時(shí)長(zhǎng)信息的不定長(zhǎng)序列mini-batch分配
    4.4 TA-GRU模型訓(xùn)練及優(yōu)化
        4.4.1 負(fù)樣本采樣
        4.4.2 目標(biāo)函數(shù)與優(yōu)化
        4.4.3 時(shí)間性能優(yōu)化
    4.5 系統(tǒng)整體框架
    4.6 本章小結(jié)
第五章 實(shí)驗(yàn)結(jié)果及分析
    5.1 數(shù)據(jù)集
        5.1.1 RSC15數(shù)據(jù)集
        5.1.2 自建數(shù)據(jù)集
    5.2 評(píng)價(jià)指標(biāo)與基準(zhǔn)方法選取
        5.2.1 評(píng)價(jià)指標(biāo)
        5.2.2 基準(zhǔn)方法
    5.3 Dropout效果分析
    5.4 實(shí)驗(yàn)結(jié)果對(duì)比
    5.5 冷啟動(dòng)問(wèn)題解決方案及效果
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間取得的研究成果



本文編號(hào)：3862009