基于排序学习和卷积神经网络的推荐算法研究

《基于排序学习和卷积神经网络的推荐算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、乂速禮＾义聋Ｄ化ＩＡＮＵＮＩＶＥＲＳＩＴＹＯＦ化州ＮＯＬＯＧＹ损±享恆巧文ＭＡＳＴＥＲＡＬＤＩＳＳＥＲＴＡＴＩＯＮ３ＷＥ幽基于排序学习和卷觀神经网络的推荐算法研究计算机应用技术；学科专业＿＿作者姓名指导教师２０１６６答辭日期＿＿＿＿＿＾＿＿旱硕±学位论文基于排序学习和卷积神经网络的推荐算法研究ＴｈｅＲｅｓｅａｒｃｈｏｎＲｅｃｏｍｍｅｎｄａｔｉｏｎＡｌｏｒｉｔｈｍｂａｓｅｄｏｎＬｅａｒｎｉｎｇｇ化民ａｎｋａｎｄＣｏｎｖｏｌｕｔｉｏｎａｌ

2、ＮｅｕｒａｌＮｅｔｗｏｒｋ：练绪宝作者姓名学科、专业：计算机应用技术１学号：２１３０９８８指导教师：林鸿飞教授－－１０５１完成日期：２０６０乂連巧义乂＃ＤａｌｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中＆经注明引用内容和致谢的地方外，本论文不包含其他个人或集体己经发表的研究成果，也不包含其他邑申请学位或其他用途使用过的成果一。与我

3、同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文题目：基于排序学习和卷积神经网络的推荐算法研究心作者签名：给（卷參日期：年＾月／日大连理工大学硕±学位论文摘要随着互联网技术特别是（＾淘宝和亚马逊等为代表的电子商务的飞速发展，互联网中的数据呈现爆炸性增长，信息过载问题显得越来越严重。帮助我们从海量数据中筛选出有意义数据的信息过滤技术显得越来越重要，，。在此背景下推荐系统诞生了并且迅速发展成为当前互联网应用中的重要组

4、成部分。推荐系统根据用户行为记录从大规模数据中找到用户感兴趣商品，它对于提高用户的满意度和零售商的销售额具有重要的意义。用户在互联网中的行为主要分为两类，分别是隐性反馈斤为和显性反馈行为。其中在隐性反馈行为中用户没有显式地表达对特定商品的偏好，主要包括用户的点击、浏览、收藏等行为；而在显性反馈行为中用户则显式地表达了对特定商品的偏好信息，这些行为中较为常见的主要有评分行为。针对不同类型的用户反馈行为数据有不同的推荐方法，本文对两种不同的用户反馈行为进行了细致地分析和挖掘，并且分别有针对性地提出了两种方法

5、１＾提高推荐系统的性能。－针对显性反馈行为的评分斤为，本文选取ＴｏｐＫ推荐作为研究目标。引入信息检索领域排序学习的方法并且融合用户的社交信息和商品标签信息一，本文扩展了种基于列一方面充分考虑用户之间关注关系表排序学习的矩阵分解方法，。首先通过用户之间的关注关系计算用户之间的信任度，接着通过用户之间的信任度在原始模型的损失函数中一，使相互信任的用户偏好向量尽可能接近。另方面添加用户社交约束项，计算商品所拥有标签的权重并Ｗ此计算商品之间的标签相似度，再将商品的标签约束项添加至损失画数中。在真实Ｅｐｉｎｉｏｎ

6、ｓ和百度电影数据集中的实验结果表明，我们提出的方法的ＮＤＣＧ一值和原始模型相比具有定的提高，有效地提高了推荐准确率。一针对隐性反馈行为，个购物篮推荐作为研究目标本文选取电子商务领域的下。本一文首先将用户行为按照定的时间窗曰进行划分，对于每个窗口从多个不同的维度抽取用户对商品的时序偏好特征；接着运用深度学习领域的卷积神经网络模型，模型中的卷积层组合不同长度的特征图来训练分类器。在阿里己己移动推荐算法竞赛公布的真实数据集中的实验结果表明，和传统的线性模型和树模型等分类器相比，我们提出的卷积神经网络框架具有较

7、强的特征萃取能力和泛化能力，提高了推荐系统的用户满意度。关键词：推荐系统；社交网络；排序学习；矩阵分解；卷积神经网络－－Ｉ大连理工大学硕±学位论文ＴｈｅＲｅｓｅａｒｃｈｏｎＲｅｃｏｍｍｅｎｄａｔｉｏｎＡｌｇｏｒｉｔｈｍｂａｓｅｄｏｎＬｅａｒｎｉｎｔｏＲａｎｋｇａｎｄＣｏｎｖｏ山ｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋＡｂ巧ｒａｃｔＷ－ｉｔｈｔｈｅｒａｅｖｅｏｍｅｎｔｏｆｎ化ｍｅｔ化ｃｈｎｉｕｅｓｅｓｅｃａｅｒｃｅＴａｏｂａｏｐｉｄｄｌｐｉｑ，ｐｉｌｌｙＥＣ

8、ｏｍｍＨｋｅａｎｄ八ｍａｚｏｎ．Ｔｈｅｄａｌ：ａｉｎｔｈｅｉｎｔｅｒｎｅｔｇｒｏｗｓｍｕｃｈｆａｓｌ：ｅｒｔｈａｎｏｕｒｈｕｍａ打ｂｅｉｎｇｓｃａｎｒｅｃｅｉｖｅ，＇Ｉｎｆｏｒｍａｔｉｏ打ｏｖｅｒｌｏａｃＴ