隨著互聯(lián)網(wǎng)不斷的拓寬隨之而來的大數(shù)據(jù)時(shí)代,使得網(wǎng)上各式各樣的信息越來越多,造成了信息爆炸、信息超載,使得用戶無法在短時(shí)間內(nèi)分辨和獲取想要的信息。推薦系統(tǒng)的功能就在于為用戶提供關(guān)鍵的信息,推薦系統(tǒng)通過對(duì)用戶的個(gè)人信息、歷史數(shù)據(jù)進(jìn)行算法深度挖掘,來得到用戶的需求所在,最后給出一個(gè)個(gè)人特色推薦列表。協(xié)同過濾算法的核心思想是尋找具有相似行為的用戶,即具有共同需求愛好的一個(gè)群體,算法更傾向于關(guān)注用戶的歷史行為,且不受新項(xiàng)目的影響,相較之下更具好的推薦精度。本文首先分析比較了基于內(nèi)容和基于用戶的協(xié)同過濾算法,并且在算法的實(shí)踐優(yōu)化過程中加入了聚類算法。協(xié)同過濾算法存在推薦準(zhǔn)確度不高的情況,因此加入了根據(jù)時(shí)間的興趣度計(jì)算來優(yōu)化相似度公式,在計(jì)算用戶相似度之前,使用了聚類算法用于聚類用戶,將具有相似行為興趣的用戶聚合成一個(gè)類。如此一來可大大縮短實(shí)驗(yàn)階段,用戶間計(jì)算相似度的時(shí)間。實(shí)驗(yàn)表明相較于單一的推薦算法,在準(zhǔn)確率、召回率的判定標(biāo)準(zhǔn)上混合推薦算法有進(jìn)一步的提高。與此同時(shí),自編碼神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)的深度網(wǎng)絡(luò)模型,具有強(qiáng)大的隱層特征提取能力,因此提出了一種基于棧式降噪自編碼器的混合推薦算法。首先,數(shù)據(jù)...

【文章頁數(shù)】：48 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3-6Softmax層訓(xùn)練Fig.3-6Softmaxlayertraining

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文+1h1(2)h2(2)h1(1h2(11h3(11圖3-5自編碼訓(xùn)練Fig.3-5Self-codingtraining以將二階特征(2)(k)h訓(xùn)練作為Softmax回歸

圖4-1α值對(duì)MAE值大小的影響

圖4-1α值對(duì)MAE值大小的影響Fig.4-1TheeffectofαvalueonthesizeofMAE從上圖可以得出，=0.1時(shí)，MAE最小，推薦效果最佳。這也間接說明了用戶近期內(nèi)的興趣占比重較大，用戶往往呈現(xiàn)出一種階段性喜好，更喜歡近期....

圖4-3不同算法性能比較

哈爾濱理工大學(xué)工學(xué)碩士學(xué)位論文在公式(2-12)中，的選擇。相似度由兩部分組成，類別喜愛度和類別關(guān)注度。平衡因子平衡兩部分比重，逐次增加0.1，取值范圍為[0,1]。取0.1，比較MAE的變化；如上圖4-2所示：=0.4時(shí)，MAE最小代表效果最好，....

圖4-4召回率隨變化圖

但是，當(dāng)最近鄰很多時(shí)，會(huì)帶入與目標(biāo)用戶興趣相差很大的其他用戶，進(jìn)一步導(dǎo)致預(yù)測(cè)的評(píng)分誤差變大。如圖4-4表示當(dāng)K=100時(shí)(即選取100個(gè)鄰居數(shù))，在公式(3-17)中召回率隨著權(quán)值的變化而變化的效果圖。從圖中可以看出，當(dāng)值接近0.4時(shí)，召回率相對(duì)較大，算法表現(xiàn)良好，因此實(shí)....

本文編號(hào)：3925330