隨著信息技術(shù)的迅猛發(fā)展,信息的增長(zhǎng)速度越來(lái)越快,為了解決信息過(guò)載的問(wèn)題,推薦系統(tǒng)可以幫助人們?cè)诤Ａ康男畔⒅锌焖贉?zhǔn)確的找到其感興趣的信息,因此對(duì)于推薦系統(tǒng)算法的研究,有著非常重要的實(shí)用意義。近年來(lái)基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)取得了重大的突破,在機(jī)器視覺(jué)識(shí)別,人機(jī)對(duì)弈,自然語(yǔ)言識(shí)別等方面都得到了很好的應(yīng)用,與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比,能取得更優(yōu)異的性能。同樣,在推薦系統(tǒng)的研究領(lǐng)域,人們也開(kāi)始廣泛的采用深度學(xué)習(xí)來(lái)進(jìn)行研究,并獲得了很多的研究成果,相比傳統(tǒng)的推薦系統(tǒng)算法,例如協(xié)同過(guò)濾算法,基于內(nèi)容的推薦算法等,深度學(xué)習(xí)算法能取得更好的效果和有著更廣泛的適用場(chǎng)景。本論文首先回顧了近年來(lái)深度學(xué)習(xí)在推薦系統(tǒng)領(lǐng)域的研究成果,對(duì)其中幾種有代表性的深度學(xué)習(xí)模型,例如自編碼神經(jīng)網(wǎng)絡(luò),長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò),深度寬度結(jié)合模型神經(jīng)網(wǎng)絡(luò)等進(jìn)行了較為深入的分析,探討了不同的深度學(xué)習(xí)模型的原理。本論文還將深度學(xué)習(xí)模型應(yīng)用在實(shí)際的推薦系統(tǒng)問(wèn)題中,以Movielens數(shù)據(jù)集作為例子,探討了如何用不同的深度學(xué)習(xí)模型來(lái)對(duì)用戶(hù)所評(píng)分過(guò)的電影數(shù)據(jù)進(jìn)行建模,從而推薦用戶(hù)感興趣的電影。最后本論文基于實(shí)際的深度學(xué)習(xí)模型的應(yīng)用效果,進(jìn)行對(duì)比分析... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

電影評(píng)分分布

用戶(hù)點(diǎn)評(píng)電影數(shù)量分布圖

16圖 2-3 電影年份分布圖影的活躍度的情況：中橫軸代表電影的活躍度，即電影被多少用戶(hù)評(píng)分，縱軸是對(duì)應(yīng)橫軸的活數(shù)量。從圖中我們可以看到，活躍度為 1 的電影有 3063 部，活躍度為 2 02 部。從圖 2-4 上看，這個(gè)活躍度的分布符合長(zhǎng)尾分布的規(guī)律。即絕大部度都較低。


本文編號(hào)：3393135