發(fā)布時間：2023-12-02 19:14

　　推薦系統(tǒng)作為解決信息過載的重要工具,一直在不斷發(fā)展,并且被廣泛應用到各個領域中。然而由于信息量日益增加,使得推薦速度逐漸變慢,很難滿足現(xiàn)在信息時代對速度的要求,因而,推薦系統(tǒng)的發(fā)展陷入瓶頸。哈希推薦作為一種支持快速檢索的技術成為解決這個問題的有效方案,并且該技術正在得到逐步發(fā)展和完善。當前提出的哈希推薦主要包括兩種,一種是基于二階量化的哈希推薦,一種是基于學習的哈希推薦。這兩種方式都存在缺陷,前者需要劃分兩個步驟,每一個步驟都做近似計算,損失大量信息,使得推薦的結果不夠準確,后者設計的推薦模型與實際推薦場景中的目標不一致,從而導致預測結果與實際目標相差甚遠�；诖�,本文深入研究離散推薦模型,并提出基于Gumbel-Softmax的離散化協(xié)同過濾模型(GDCF)框架。該模型框架采用基于學習的哈希推薦方法,避免由于兩階段學習帶來的損失,進而根據(jù)具體的推薦問題,設計出相應的目標函數(shù)來匹配目標,這樣可以使推薦結果和目標結果相一致。本文在協(xié)同過濾的基礎上將神經網絡融合進來做二進制推薦算法的研究。本文主要的貢獻如下:1.為了解決神經網絡中無法做離散值的梯度更新問題,提出利用Gumbel-Softm...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 協(xié)同過濾算法研究現(xiàn)狀
        1.2.3 哈希推薦系統(tǒng)研究現(xiàn)狀
    1.3 論文內容與創(chuàng)新點
    1.4 論文章節(jié)安排
第二章 相關理論基礎
    2.1 協(xié)同過濾推薦算法
        2.1.1 協(xié)同過濾模型
        2.1.2 基于用戶的協(xié)同過濾
        2.1.3 基于項目的協(xié)同過濾
        2.1.4 基于矩陣分解的協(xié)同過濾
        2.1.5 基于神經網絡的協(xié)同過濾
    2.2 基于哈希技術的推薦算法
        2.2.1 局部敏感哈希算法
        2.2.2 迭代量化哈希算法
        2.2.3 二進制協(xié)同過濾算法
        2.2.4 保留偏好哈希算法
        2.2.5 離散協(xié)同過濾算法
    2.3 Gumbel-Softmax理論與應用
    2.4 本章小結
第三章 基于學習的哈希推薦方法研究
    3.1 研究背景
    3.2 符號說明
    3.3 基于Gumbel-Softmax的神經網絡離散推薦方法
        3.3.1 模型框架
        3.3.2 多層感知機層
        3.3.3 離散化的廣義矩陣分解層
        3.3.4 基于Gumbel-Softmax實現(xiàn)離散優(yōu)化
        3.3.5 預測層
    3.4 算法實驗
        3.4.1 實驗數(shù)據(jù)
        3.4.2 實驗評價指標
        3.4.3 驗證Gumbel-Softmax可行性
        3.4.4 實驗結果與分析
    3.5 本章小結
第四章 基于生成對抗網絡的哈希推薦方法研究
    4.1 研究背景
    4.2 基于生成對抗網絡的哈希推薦方法
        4.2.1 生成對抗離散推薦模型
        4.2.2 基于Gumbel-Softmax實現(xiàn)離散優(yōu)化
        4.2.3 預訓練模型
    4.3 算法實驗
        4.3.1 實驗數(shù)據(jù)
        4.3.2 實驗設計
        4.3.3 實驗結果與分析
        4.3.4 參數(shù)敏感實驗
        4.3.5 性能分析實驗
    4.4 本章小結
第五章 總結與展望
    5.1 工作總結
    5.2 未來展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3870166