推薦系統(tǒng)在信息過載時代給人們帶來了方便,從而使推薦算法成為了研究熱點。協(xié)同過濾推薦算法因其簡單方便,而受到了廣泛研究。但是傳統(tǒng)的協(xié)同過濾推薦算法存在著數(shù)據(jù)稀疏的問題。針對這一問題,通常的做法是加入用戶和項目的輔助信息。本文考慮類別偏好和異構(gòu)信息網(wǎng)絡(luò)中用戶和項目信息來提高推薦性能,主要提出了以下兩種推薦算法:傳統(tǒng)的基于類別信息的推薦算法中往往把類別信息作為輔加信息,并沒有考慮項目和類別之間多對多的關(guān)系。針對這一問題,提出基于組合類別空間的矩陣分解推薦算法。首先,定義組合類別空間,使項目和組合類別具有一對一的關(guān)系。其次,在組合類別空間上定義語義關(guān)系和語義距離,把用戶的瀏覽行為、項目的類別以及用戶與類別的關(guān)系等各種信息更好地融合在一起。最后,建立基于矩陣分解的用戶和項目的隱含特征模型,更好的表現(xiàn)了商品類別與用戶興趣偏好的關(guān)系。實驗結(jié)果表明,推薦的性能有明顯的提高。為了解決基于異構(gòu)網(wǎng)絡(luò)的推薦算法中異構(gòu)信息難以抽取的問題,并利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)用戶和項目的交互信息,提出基于異構(gòu)網(wǎng)絡(luò)特征表示的深度學(xué)習(xí)推薦算法。首先,構(gòu)建用戶和項目的異構(gòu)信息網(wǎng)絡(luò),定義用戶和項目的交互元路徑,使得異構(gòu)信息便于抽取,用戶瀏... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

單個神經(jīng)元模型

1ni iix w b= + 一般是非線性函數(shù)，把輸入值變成理想的輸出值。目前、Relu 等。計算公式如式 2.10、2.11：( )11xxe =+( )00 0x xxx ≥= < 元組合起來，就會形成一個像人的大腦一樣的神經(jīng)網(wǎng)絡(luò)能力。神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱藏層和輸出層組成。藏層的神經(jīng)網(wǎng)絡(luò)，輸入層一般是輸入數(shù)據(jù)特征表示的向的輸入，隱藏層和輸入層之間通過神經(jīng)元的全連接進行

3344,c},{c},{c}333， c cc∈C123, ,。用戶的集合用 {u,u,...u}12mU =表數(shù)，項目的集合用 {,,...,}1 2nI = iii表示，其中 n 是項目的}hc表示項目的基本類別集合，其中項目的基本類別總個數(shù)用 h素hc 都表示項目所具有的類別信息，比如，悲劇類型等，nB， B (i,:)表示項目i 的類別信息，如果項目i 屬于類別屬性hc 都分別對應(yīng)著一個組合類別，每個組合類別都是由基本的類別集合分別看作一個整體，可以把實現(xiàn)項目與類別屬性信息間一部電影既屬于{Adventure}又屬于{Comedy}，那么電影對，Comedy }，即電影與類別間一對二的關(guān)系被表示為一對一的

【參考文獻】：
期刊論文
[1]融合時間和類型特征加權(quán)的矩陣分解推薦算法[J]. 石鴻瑗,孫天昊,李雙慶,侯湘.  重慶大學(xué)學(xué)報. 2019(01)
[2]結(jié)合物品類型和密度峰值聚類的協(xié)同過濾推薦算法[J]. 陳帆,孫自強.  華東理工大學(xué)學(xué)報(自然科學(xué)版). 2018(06)
[3]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的推薦算法[J]. 高茂庭,徐彬源.  計算機工程. 2019(08)
[4]基于深度神經(jīng)網(wǎng)絡(luò)的推薦算法[J]. 程磊,高茂庭.  現(xiàn)代計算機(專業(yè)版). 2018(22)
[5]基于項目評分與類型評分聚類的推薦算法[J]. 段元波,高茂庭.  計算機工程. 2018(06)
[6]基于異構(gòu)網(wǎng)絡(luò)面向多標簽系統(tǒng)的推薦模型研究[J]. 王瑜,武延軍,吳敬征,劉曉燕.  軟件學(xué)報. 2017(10)
[7]基于異構(gòu)網(wǎng)絡(luò)分析的智能醫(yī)療推薦系統(tǒng)研究[J]. 李朋,余中心,李寧,肖兵,趙耀,文俊浩.  中國衛(wèi)生信息管理雜志. 2013(06)



本文編號：2929362