基于异质特征深度残差网络的推荐算法研究

发布时间：2022-10-21 19:41

　　互联网信息持续快速增长,以搜索引擎为代表的网络信息检索方式已不满足用户需求,推荐算法及系统在电商、娱乐、新闻等等行业已获得广泛关注和应用。近年来,在经典的基于内容的推荐算法、基于用户的协同过滤推荐算法和基于项目的协同过滤推荐算法的基础上,学者们提出了许多新的推荐算法,包括隐语义模型LFM（Latent Factor Model）、奇异值分解SVD（Singular Value Decomposition）、贝叶斯个性化排名BPR（Bayesian Personalized Ranking）、因式分解机FM（Factorization Machine）、交替最小二乘法ALS（Alternative Least Square）、神经协同过滤NCF（Neural Collaborative Filtering）、受限玻尔兹曼机RBM（Restricted Boltzmann Machine）等算法。这些研究极大的推动了推荐算法的研究和应用。但是,在面对实际应用系统时,这些算法经常遇到下列2个问题的挑战:1.算法难以对新用户或新项目进行有效推荐,产生“冷启动”问题。2.用户、项目交互数据占比很... 

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文组织
第2章 相关工作
    2.1 数据特征提取与向量化
    2.2 异质特征
    2.3 深度残差网络
第3章 研究基础
    3.1 基于三元组损失函数TRIPLET LOSS的 CNN网络
    3.2 主成分分析法PCA
第4章 基于异质特征深度残差网络的推荐算法
    4.1 基于异质特征深度残差网络的推荐算法HRN
    4.2 基于TRIPLET LOSS的加权混合嵌入训练
        4.2.1 基于内容的嵌入的构建
        4.2.2 训练样本生成器
        4.2.3 Triplet Loss训练器
    4.3 HYBRID RESNET预测网络的搭建
        4.3.1 设置基线算法
        4.3.2 训练样本生成器
        4.3.3 Hybrid Res Net预测网络的搭建
第5章 实验结果
    5.1 数据集和评价指标
    5.2 方法比较
    5.3 实验设置
    5.4 实验结果及分析
第6章 结论及未来工作
    6.1 结论
    6.2 未来工作
参考文献
指导老师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢



本文编号：3696259