在網(wǎng)絡(luò)技術(shù)和電子商務(wù)快速發(fā)展的今天,互聯(lián)網(wǎng)上出現(xiàn)了越來越多的在線服務(wù),這些在線服務(wù)給人們帶來便利的同時(shí),也導(dǎo)致網(wǎng)上信息量的急劇增加,用戶不得不花費(fèi)更多的時(shí)間,在大量的信息中選擇他們感興趣的內(nèi)容,這就是信息過載問題。推薦系統(tǒng)作為處理信息過載問題的主要手段,是一種采用機(jī)器學(xué)習(xí)技術(shù),對(duì)用戶偏好分析的基礎(chǔ)上,在合理的時(shí)間內(nèi)向用戶推薦合適內(nèi)容的智能決策系統(tǒng)。當(dāng)前,盡管在各種不同的社會(huì)領(lǐng)域,個(gè)性化推薦技術(shù)已得到普遍使用,但已有推薦系統(tǒng)仍然存在數(shù)據(jù)稀疏性、冷啟動(dòng)、長(zhǎng)尾物品難以被推薦、不能有效處理圖結(jié)構(gòu)數(shù)據(jù)等問題,導(dǎo)致推薦的性能不高,用戶的體驗(yàn)較差,制約了個(gè)性化推薦系統(tǒng)的發(fā)展。作為一種非線性的深度神經(jīng)網(wǎng)絡(luò)技術(shù),深度學(xué)習(xí)與傳統(tǒng)淺層學(xué)習(xí)完全不同,它能自動(dòng)進(jìn)行特征學(xué)習(xí),可以挖掘推薦系統(tǒng)中用戶及物品間隱含的、潛在的許多特征�；谏疃葘W(xué)習(xí)的個(gè)性化推薦研究與應(yīng)用,已受到產(chǎn)業(yè)界及學(xué)術(shù)界的日益重視。如何利用深度學(xué)習(xí)相關(guān)原理及技術(shù),去緩解、克服已有個(gè)性化物品推薦系統(tǒng)中存在的問題,以提高推薦系統(tǒng)的性能,是一個(gè)非常值得研究的課題。論文研究運(yùn)用深度學(xué)習(xí)相關(guān)原理與技術(shù),針對(duì)已有個(gè)性化物品推薦系統(tǒng)中存在的數(shù)據(jù)稀疏性、冷啟動(dòng)、長(zhǎng)尾... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：167 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

已有推薦系統(tǒng)在不同領(lǐng)域的應(yīng)用Figure1-1Applicationofexistingrecommendationsystemindifferentfields[3]

第1章緒論3學(xué)習(xí)方法需要靠人工進(jìn)行特征提取的方式，同時(shí)，深度學(xué)習(xí)的這種特征提取方式能夠融入到建立的模型過程中，由此在降低了特征提取難度的同時(shí)，還減少了因?yàn)榭咳藶樵O(shè)計(jì)特征時(shí)，特征獲取的不完備性[12]。如Netflix網(wǎng)站上80%電影的在線觀看來自于推薦[13]，YouTube網(wǎng)站上60%的視頻點(diǎn)擊來自于網(wǎng)站主頁的推薦[14]，許多企業(yè)都運(yùn)用深度學(xué)習(xí)原理與技術(shù)以提高推薦質(zhì)量[15]。與以往推薦技術(shù)不同的是，已有使用深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的推薦技術(shù)都取得了非常不錯(cuò)的推薦性能，其應(yīng)用范圍也是越來越廣泛。ZeynepBatmaz,AliYurekli等人[16]給出了當(dāng)前深度學(xué)習(xí)推薦系統(tǒng)的應(yīng)用領(lǐng)域主要分布情況，如在線電影、圖書、新聞、音樂等各種電子商務(wù)領(lǐng)域和社交網(wǎng)絡(luò)行業(yè)。從學(xué)術(shù)研究領(lǐng)域的角度，國(guó)際上近幾年來基于深度學(xué)習(xí)推薦研究的有關(guān)文獻(xiàn)數(shù)量顯著增加，通過WebofScience1搜索“主題:(recommendationsystem)AND主題:(deeplearning)”所創(chuàng)建的引文報(bào)告圖(圖1-2、圖1-3)中，也可以看到，無論是按年份的被引頻次還是出版物總數(shù)方面，也能反映出基于深度學(xué)習(xí)的的個(gè)性化推薦研究，已經(jīng)成為國(guó)內(nèi)外學(xué)術(shù)界當(dāng)前研究的新方向。圖1-2WebofScience深度學(xué)習(xí)推薦系統(tǒng)相關(guān)論文年份被引頻次Figure1-2CitationfrequencyofpapersrelatedtoWebofSciencedeeplearningrecommendationsysteminyear1http://apps.webofknowledge.com

東華大學(xué)博士學(xué)位論文4圖1-3WebofScience深度學(xué)習(xí)推薦系統(tǒng)相關(guān)出版物總數(shù)Figure1-3TotalnumberofpublicationsrelatedtoWebofSciencedeeplearningrecommendationsystem從國(guó)內(nèi)相關(guān)研究來看，近幾年來，基于深度學(xué)習(xí)的個(gè)性化推薦的也是一些學(xué)者關(guān)注的重點(diǎn)。在CNKI2中，利用“推薦系統(tǒng)+深度學(xué)習(xí)”關(guān)鍵詞進(jìn)行學(xué)術(shù)趨勢(shì)分析，從圖1-4中可以看到，其學(xué)術(shù)關(guān)注度近五年來一直都呈現(xiàn)顯著增加的趨勢(shì)。圖1-4CNKI學(xué)術(shù)趨勢(shì)中深度學(xué)習(xí)推薦系統(tǒng)學(xué)術(shù)關(guān)注度Figure1-4AcademicattentiontothedeeplearningrecommendationsysteminCNKIacademictrends2https://www.cnki.net/

【參考文獻(xiàn)】：
期刊論文
[1]一種基于Attention-GRU和iForest的周期性時(shí)間序列異常檢測(cè)算法[J]. 王騰,焦學(xué)偉,高陽.  計(jì)算機(jī)工程與科學(xué). 2019(12)
[2]基于卷積遞歸模型的文本分類研究[J]. 殷曉雨,阿力木江·艾沙,庫(kù)爾班·吾布力.  電子技術(shù)應(yīng)用. 2019(10)
[3]基于pytorch二次關(guān)系擬合（回歸）及其實(shí)現(xiàn)[J]. 邢立國(guó),李文堅(jiān),劉玉坤.  電腦知識(shí)與技術(shù). 2019(26)
[4]融合動(dòng)態(tài)協(xié)同過濾和深度學(xué)習(xí)的推薦算法[J]. 鄧存彬,虞慧群,范貴生.  計(jì)算機(jī)科學(xué). 2019(08)
[5]基于改進(jìn)的矩陣分解模型在推薦系統(tǒng)中的應(yīng)用[J]. 宋瑞雪,李國(guó)勇.  計(jì)算機(jī)應(yīng)用. 2019(S1)
[6]基于改進(jìn)CNN的局部相似性預(yù)測(cè)推薦模型[J]. 吳國(guó)棟,宋福根,涂立靜,史明哲.  計(jì)算機(jī)工程與科學(xué). 2019(06)
[7]文本分類TF-IDF算法的改進(jìn)研究[J]. 葉雪梅,毛雪岷,夏錦春,王波.  計(jì)算機(jī)工程與應(yīng)用. 2019(02)
[8]卷積神經(jīng)網(wǎng)絡(luò)模型分析[J]. 李書清.  無線互聯(lián)科技. 2018(19)
[9]自編碼神經(jīng)網(wǎng)絡(luò)理論及應(yīng)用綜述[J]. 袁非牛,章琳,史勁亭,夏雪,李鋼.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[10]結(jié)合共同鄰居貢獻(xiàn)度的節(jié)點(diǎn)相似性鏈路預(yù)測(cè)算法[J]. 王鑫,陳喜,錢付蘭,張燕平.  數(shù)據(jù)采集與處理. 2018(05)

博士論文
[1]基于協(xié)同過濾視角的受限玻爾茲曼機(jī)研究[D]. 羅恒.上海交通大學(xué) 2011

碩士論文
[1]基于實(shí)值RBM的長(zhǎng)尾物品推薦研究[D]. 史明哲.安徽農(nóng)業(yè)大學(xué) 2018
[2]移動(dòng)增強(qiáng)現(xiàn)實(shí)技術(shù)研究[D]. 馮鑫淼.西南科技大學(xué) 2016
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的推薦算法[D]. 吳浠.華南理工大學(xué) 2016
[4]基于改進(jìn)GN算法的茶葉消費(fèi)者網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)研究[D]. 湯鵬.安徽農(nóng)業(yè)大學(xué) 2014
[5]面向個(gè)性化服務(wù)的用戶興趣模型表示及更新研究[D]. 郝水龍.合肥工業(yè)大學(xué) 2012



本文編號(hào)：2950296