隨著新興電影產(chǎn)業(yè)的發(fā)展,全球的電影市場保持著穩(wěn)定增長的基本態(tài)勢,互聯(lián)網(wǎng)上也擁有無比浩瀚的電影資源,推薦系統(tǒng)已經(jīng)成為了人們在快速查找感興趣的電影的方式。近年來,深度學(xué)習(xí)在圖像識別,自然語言處理等領(lǐng)域得到了廣泛的應(yīng)用,同時,最近的一些研究也表明深度學(xué)習(xí)在推薦系統(tǒng)上的可靠性。在這樣的背景下,對個性化推薦系統(tǒng)的基礎(chǔ)理論進行研究,并利用深度學(xué)習(xí)在推薦領(lǐng)域的相關(guān)技術(shù),提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦算法,稱為深度神經(jīng)矩陣分解（Deep Neural Matrix Factorization）。首先,深度神經(jīng)矩陣模型使用了一種新的方式提取用戶和項目的潛在向量。定義了記憶組件和歸納組件對用戶和項目的輸入向量進行特征提取,隱射到新的稠密空間。記憶組件實質(zhì)是淺層的線性單元,歸納組件實則是深層的非線性神經(jīng)網(wǎng)絡(luò)。在實驗中證明,記憶組件和歸納組件均對模型性能有顯著的效果。其次,采用多方式對不同潛在向量進行訓(xùn)練。對于記憶組件產(chǎn)生的用戶或者項目向量,稱為記憶向量,采用廣義矩陣分解模型,將用戶和項目記憶向量逐元素相乘來描述用戶和項目之間潛在交互特征,因這一過程都是進行線性變換,所以保存了記憶向量的有效記憶信息。... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

長尾理論

_丁(，丫徹

圖 2-1 神經(jīng)網(wǎng)絡(luò)示意圖所有神經(jīng)網(wǎng)絡(luò)都有一個輸入層，其中輸入初始數(shù)據(jù)，輸出層產(chǎn)生最終預(yù)測。但是在深度神經(jīng)網(wǎng)絡(luò)中，這些輸入和輸出層之間將存在多個神經(jīng)元的“隱藏層”，每個層都將數(shù)據(jù)相互饋送。因此，在“深度學(xué)習(xí)”和“深度神經(jīng)網(wǎng)絡(luò)”中，術(shù)語“深度”，它是對這些神經(jīng)網(wǎng)絡(luò)核心的大量隱藏層（通常大于三層）的參考。在圖 2-1 中，網(wǎng)絡(luò)已經(jīng)被訓(xùn)練以識別手寫的圖形，例如這里示出的數(shù)字 2，其中輸入層被饋送表示構(gòu)成手寫數(shù)字的圖像的像素的值，并且輸出層預(yù)測哪個手寫的數(shù)字。顯示在圖像中。在上圖中，每個圓圈代表網(wǎng)絡(luò)中的神經(jīng)元，神經(jīng)元組織成垂直層。每個神經(jīng)元都會與下一層中的每個神經(jīng)元進行連接，表示每個神經(jīng)元向后續(xù)層中的每個神經(jīng)元輸出一個值。圖中鏈接的顏色也各不相同。不同的顏色，黑色和紅色，代表神經(jīng)元之間的聯(lián)系的重要性。紅色鏈接是更重要的鏈接，這意味著它們將在層之間傳遞時放大值。反過來，這個值的放大可以幫助激活正在輸入值的神經(jīng)元。

【參考文獻】：
期刊論文
[1]協(xié)同過濾中基于用戶興趣度的相似性度量方法[J]. 嵇曉聲,劉宴兵,羅來明.  計算機應(yīng)用. 2010(10)



本文編號：3535209