基于学习网络表征的推荐系统实现及应用
发布时间：2022-12-04 23:56
现代社会已经进入了信息过载的时代,电商平台、User Generated Content社区、在线教育等平台每天都会产生海量的内容数据,用户与内容之间的交互也会产生大量的数据。因此如何帮助用户过滤海量信息,帮助用户快速的找到他们最可能感兴趣的内容或商品,是提升用户体验的关键。推荐系统作为一种信息过滤系统,能够结合用户对物品的反馈信息,向用户个性化的推荐他们可能感兴趣的物品。但是随着用户和物品越来越多,数据量越来越大且数据越来越稀疏,推荐系统面临着数据稀疏和海量数据带来的推荐质量降低、推荐的实时性下降等挑战。为提升推荐系统的推荐质量和用户体验,本文主要关注推荐算法和系统架构的设计,用以改善和提升当下推荐系统在数据稀疏和海量数据下的推荐质量和推荐的实时性。首先,本文将介绍推荐系统研究的背景、意义和国内外研究现状。其次,介绍与本文工作相关的理论和系统开发技术。在此基础上,进行基于自然语言处理模型Skip-Gram的推荐算法研究,设计了一种基于Transform-Embedding-Recommender框架的LN-N2V-TW-CF推荐算法,并使用在线教育和电影数据集进行推荐效果的验证和测试...
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究现状及分析
1.3 本文工作和组织
第2章 基础理论和相关技术
2.1 网络
2.1.1 网络定义
2.1.2 网络表现形式
2.1.3 网络表征学习
2.2 自然语言处理模型Skip-Gram
2.2.1 自然语言处理模型Skip-Gram介绍
2.2.2 Skip-Gram模型应用
2.3 协同过滤推荐系统
2.3.1 反馈数据的形式
2.3.2 相似度计算
2.3.3 基于记忆的协同过滤
2.3.4 基于模型的协同过滤
2.3.5 推荐系统的评价指标
2.4 系统开发技术
2.4.1 Hadoop
2.4.2 Spark
2.4.3 Restful API
2.4.4 Django后端框架
第3章 基于Skip-Gram模型的推荐算法框架研究与实现
3.1 基于Skip-Gram模型的推荐算法框架研究
3.1.1 Transform
3.1.2 Embedding
3.1.3 Recommender
3.2 基于Skip-Gram模型的推荐算法框架实现
3.2.1 软件架构设计
3.2.2 软件具体实现
3.3 LN-N2V-CF推荐模型
3.4 实验设计
3.4.1 实验数据获取
3.4.2 实验流程设计
3.4.3 实验推荐形式
3.4.4 训练集测试集划分
3.4.5 实验参数设置
3.5 实验结果与分析
3.5.1 实验结果
3.5.2 分析与发现
3.6 本章小结
第4章 基于学习网络(Learning Networks)表征的LN-N2V-TW-CF推荐算法
4.1 考虑时间权重对推荐效果的影响
4.2 LN-N2V-TW-CF模型
4.3 实验设计与结果分析
4.4 和传统推荐算法的对比实验
4.4.1 对比算法选择
4.4.2 对比实验设计
4.4.3 实验结果分析
4.5 参数敏感性分析
4.5.1 实验与参数设置
4.5.2 结论与分析
4.6 LN-N2V-TW-CF算法综合分析
4.7 本章小结
第5章 实时推荐系统设计及应用
5.1 需求分析和系统架构设计
5.1.1 需求分析
5.1.2 系统架构设计
5.1.3 开发技术选择和开发环境配置
5.2 分布式计算平台Spark
5.2.1 分布式计算平台搭建
5.2.2 Node2Vec-Spark-Enhanced的实现
5.3 Django Restful API后端系统实现
5.3.1 数据库设计和部署
5.3.2 Django Restful API设计与开发
5.4 实时推荐系统后端
5.5 推荐系统前端设计与应用
5.6 系统测试
5.6.1 在大数据集上的Spark表征部分性能测试
5.6.2 后端接口测试
5.6.3 前端推荐页面和交互测试
5.7 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
本文编号：3709244
【文章页数】：86 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究现状及分析
1.3 本文工作和组织
第2章 基础理论和相关技术
2.1 网络
2.1.1 网络定义
2.1.2 网络表现形式
2.1.3 网络表征学习
2.2 自然语言处理模型Skip-Gram
2.2.1 自然语言处理模型Skip-Gram介绍
2.2.2 Skip-Gram模型应用
2.3 协同过滤推荐系统
2.3.1 反馈数据的形式
2.3.2 相似度计算
2.3.3 基于记忆的协同过滤
2.3.4 基于模型的协同过滤
2.3.5 推荐系统的评价指标
2.4 系统开发技术
2.4.1 Hadoop
2.4.2 Spark
2.4.3 Restful API
2.4.4 Django后端框架
第3章 基于Skip-Gram模型的推荐算法框架研究与实现
3.1 基于Skip-Gram模型的推荐算法框架研究
3.1.1 Transform
3.1.2 Embedding
3.1.3 Recommender
3.2 基于Skip-Gram模型的推荐算法框架实现
3.2.1 软件架构设计
3.2.2 软件具体实现
3.3 LN-N2V-CF推荐模型
3.4 实验设计
3.4.1 实验数据获取
3.4.2 实验流程设计
3.4.3 实验推荐形式
3.4.4 训练集测试集划分
3.4.5 实验参数设置
3.5 实验结果与分析
3.5.1 实验结果
3.5.2 分析与发现
3.6 本章小结
第4章 基于学习网络(Learning Networks)表征的LN-N2V-TW-CF推荐算法
4.1 考虑时间权重对推荐效果的影响
4.2 LN-N2V-TW-CF模型
4.3 实验设计与结果分析
4.4 和传统推荐算法的对比实验
4.4.1 对比算法选择
4.4.2 对比实验设计
4.4.3 实验结果分析
4.5 参数敏感性分析
4.5.1 实验与参数设置
4.5.2 结论与分析
4.6 LN-N2V-TW-CF算法综合分析
4.7 本章小结
第5章 实时推荐系统设计及应用
5.1 需求分析和系统架构设计
5.1.1 需求分析
5.1.2 系统架构设计
5.1.3 开发技术选择和开发环境配置
5.2 分布式计算平台Spark
5.2.1 分布式计算平台搭建
5.2.2 Node2Vec-Spark-Enhanced的实现
5.3 Django Restful API后端系统实现
5.3.1 数据库设计和部署
5.3.2 Django Restful API设计与开发
5.4 实时推荐系统后端
5.5 推荐系统前端设计与应用
5.6 系统测试
5.6.1 在大数据集上的Spark表征部分性能测试
5.6.2 后端接口测试
5.6.3 前端推荐页面和交互测试
5.7 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其他成果
致谢
本文编号：3709244
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3709244.html