基于深度学习的电影推荐系统研究与应用

发布时间：2023-02-14 11:04

　　协同过滤算法凭借其良好的性能在国内外知名电影及视频推荐网站中得到了广泛的应用。然而,随着算法的应用场景不断变化,协同过滤算法逐渐暴露出了许多缺点,这其中包括稀疏性、实时性、可扩展性、用户兴趣漂移、冷启动等问题。针对以上问题,在保障推荐质量的前提下,对其中的稀疏性、实时性、用户兴趣漂移等问题进行研究,并引入深度学习的知识,提出了基于深度学习的电影推荐算法。深度学习中的深度网络结构模型能够在保证推荐质量的前提下应对稀疏性问题,比传统协同过滤算法表现优秀,本文将深度学习应用在电影推荐方向,利用改进的基于时间加权的聚类算法与深度学习模型相融合,在解决用户兴趣漂移问题的同时解决了深度学习模型训练时间过长、训练难度较大的问题,保证了算法整体的实时性。参考热门推荐系统的设计与实现方案,以基于深度学习的电影推荐算法为核心,同时引入目前热门的微服务概念,搭建一个基于微服务架构的电影推荐系统,在保证整个系统的性能的基础上增强了系统的高可用性与可扩展性,使得整个系统能够稳定高效地为用户提供电影推荐服务。

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 推荐系统的背景及意义
    1.2 国内外研究现状
        1.2.1 推荐系统的国内外研究现状
        1.2.2 电影推荐系统的国内外研究现状
        1.2.3 深度学习的国内外研究现状
    1.3 本文研究内容
    1.4 文章结构
第2章 相关理论研究
    2.1 推荐系统研究
        2.1.1 个性化电影推荐系统
        2.1.2 搜狐视频个性化推荐系统
    2.2 基于协同过滤的推荐算法
        2.2.1 基于内存的协同过滤算法
        2.2.2 基于模型的推荐算法
    2.3 常用聚类算法简介
    2.4 艾宾浩斯遗忘曲线与遗忘函数
    2.5 深度网络结构
        2.5.1 神经网络及sigmoid函数
        2.5.2 受限玻尔兹曼机介绍
        2.5.3 多层玻尔兹曼机
    2.6 本章小节
第3章 基于遗忘曲线的改进型电影聚类算法
    3.1 基于用户评分的聚类算法
    3.2 基于项目属性的聚类算法
    3.3 基于遗忘曲线的融合电影聚类算法
    3.4 相关实验及分析
    3.5 本章小结
第4章 基于深度学习的电影推荐算法研究
    4.1 受限玻尔兹曼机在电影推荐算法上的应用
    4.2 基于改进型受限玻尔兹曼机的多层结构
    4.3 基于Spark的模型训练的并行化方案
    4.4 基于深度学习的电影推荐算法
    4.5 实验结果分析
    4.6 本章小节
第5章 基于深度学习的电影推荐系统的设计与实现
    5.1 需求分析
        5.1.1 用户需求
        5.1.2 系统设计目标
        5.1.3 系统的功能性需求
        5.1.4 非功能性需求
    5.2 系统概要设计
        5.2.1 系统实现环境
        5.2.2 系统架构设计
    5.3 系统数据库设计
        5.3.1 关系型数据库设计
        5.3.2 非关系型数据库设计
    5.4 核心模块设计与实现
        5.4.1 登录模块的实现
        5.4.2 离线计算模块的实现
        5.4.3 在线推荐模块的实现
        5.4.4 用户信息反馈模块的实现
        5.4.5 信息管理模块的实现
    5.5 本章小节
结论
参考文献
攻读硕士学位期间所取得的成果
致谢



本文编号：3742488