發(fā)布時間：2021-05-10 22:43

　　作為最有效的信息過濾系統(tǒng)之一,推薦系統(tǒng)在這信息過載的時代發(fā)揮著極大的作用。大量關(guān)于個性化推薦的技術(shù)被提出,然而這些技術(shù)中依舊存在以下兩個局限:（1）認(rèn)為推薦過程是靜態(tài)的,忽略了推薦系統(tǒng)中的動態(tài)特性的影響;（2）數(shù)據(jù)稀疏性的問題依舊存在。為了緩解以上兩個問題,本文中分別提出了兩個推薦模型:基于深度強(qiáng)化學(xué)習(xí)的推薦模型Recommendation System based on Deep Reinforcement Learning and Attention Mechanism（DRA）以及融合了推薦模型DRA和社交網(wǎng)絡(luò)信息的推薦模型DRA+。推薦模型DRA。將用戶與推薦系統(tǒng)的交互過程視為順序決策過程,并將深度強(qiáng)化學(xué)習(xí)模型DDPG作為基礎(chǔ)模型�？紤]到推薦系統(tǒng)中強(qiáng)化學(xué)習(xí)的定義,利用PMF的方法預(yù)訓(xùn)練生成內(nèi)容向量來構(gòu)成模型的輸入。同時,通過顯式地結(jié)合用戶向量和內(nèi)容向量來更合理地表達(dá)用戶狀態(tài)。此外,利用用戶狀態(tài)中內(nèi)容的位置信息和各位置的內(nèi)容與動作的相似性設(shè)計了注意力機(jī)制來進(jìn)一步挖掘用戶的興趣變化。最后在三個公開的數(shù)據(jù)集MovieLens（100k）、MovieLens（1M）和Jester（2）... 

【文章來源】：華東師范大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀
        1.2.2 基于社交網(wǎng)絡(luò)的推薦系統(tǒng)的國內(nèi)外研究現(xiàn)狀
        1.2.3 現(xiàn)有研究的不足
    1.3 論文研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)
第二章 強(qiáng)化學(xué)習(xí)的基本概念和相關(guān)理論
    2.1 傳統(tǒng)強(qiáng)化學(xué)習(xí)的相關(guān)算法模型
        2.1.1 基于值的強(qiáng)化學(xué)習(xí)
        2.1.2 基于策略的強(qiáng)化學(xué)習(xí)
    2.2 深度強(qiáng)化學(xué)習(xí)的相關(guān)算法模型
        2.2.1 Deep Q Network算法
        2.2.2 Deep Deterministic Policy Gradient算法
    2.3 本章小結(jié)
第三章 基于深度強(qiáng)化學(xué)習(xí)的個性化推薦
    3.1 推薦系統(tǒng)中強(qiáng)化學(xué)習(xí)的定義
    3.2 基于深度強(qiáng)化學(xué)習(xí)的推薦模型
        3.2.1 深度強(qiáng)化學(xué)習(xí)模型的利用
        3.2.2 用戶狀態(tài)表示方法
        3.2.3 注意力機(jī)制的利用
        3.2.4 基于深度強(qiáng)化學(xué)習(xí)的推薦模型DRA
    3.3 實(shí)驗(yàn)分析
        3.3.1 實(shí)驗(yàn)?zāi)康?br>        3.3.2 數(shù)據(jù)集和評價標(biāo)準(zhǔn)
        3.3.3 對比試驗(yàn)和實(shí)驗(yàn)設(shè)置
        3.3.4 結(jié)果分析
    3.4 本章小結(jié)
第四章 融合了社交網(wǎng)絡(luò)信息的個性化推薦
    4.1 社交網(wǎng)絡(luò)信息的相關(guān)定義
        4.1.1 信任關(guān)系的基本性質(zhì)
        4.1.2 相似關(guān)系的基本性質(zhì)
        4.1.3 信任關(guān)系和相似關(guān)系的融合
    4.2 融合了社交網(wǎng)絡(luò)信息的推薦模型
        4.2.1 隱式信任關(guān)系
        4.2.2 局部相似關(guān)系
        4.2.3 自適應(yīng)權(quán)重融合信任關(guān)系和相似關(guān)系
        4.2.4 推薦模型DRA的利用
        4.2.5 融合了社交網(wǎng)絡(luò)信息的推薦模型DRA+
    4.3 實(shí)驗(yàn)分析
        4.3.1 實(shí)驗(yàn)?zāi)康?br>        4.3.2 數(shù)據(jù)集
        4.3.3 對比實(shí)驗(yàn)
        4.3.4 結(jié)果分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 未來展望
參考文獻(xiàn)
碩士在讀期間學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]社交網(wǎng)絡(luò)環(huán)境下基于信任的推薦算法[J]. 陳婷,朱青,周夢溪,王珊.  軟件學(xué)報. 2017(03)
[2]基于社交網(wǎng)絡(luò)的個性化推薦技術(shù)[J]. 張富國.  小型微型計算機(jī)系統(tǒng). 2014(07)
[3]基于社交網(wǎng)絡(luò)的信息推薦系統(tǒng)[J]. 李善濤,肖波.  軟件. 2013(12)
[4]信息時代的信息超載影響及對策[J]. 羅玲.  現(xiàn)代情報. 2011(06)

碩士論文
[1]推薦系統(tǒng)用戶相似度計算方法研究[D]. 朱文奇.重慶大學(xué) 2014



本文編號：3180193