基于神经网络的个性化推荐算法研究与设计

《基于神经网络的个性化推荐算法研究与设计》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、基于神经网络的个性化推荐算法研究与设计重庆大学硕士学位论文（学术学位）学生姓名：黄涛指导教师：黄仁副教授专业：计算机应用技术学科门类：工学重庆大学计算机学院二O一六年四月ResearchandDesignofPersonalizedRecom-mendationSystemBasedonNeuralNetworkAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofEngineeringByHuangTaoSupervise

2、dbyAssociateProf.HuangRenSpecialty:ComputerApplicationandTechnologyCollegeofComputerScienceofChongqingUniversity,Chongqing,ChinaApril,2016重庆大学硕士学位论文中文摘要摘要随着互联网的迅速发展，信息量呈爆发式增长，人们能方便获取更多信息的同时，也被信息的海洋淹没，想要获取需要的信息变成一件越来越困难的事。个性化推荐系统能够帮助人们快速便捷发现他们感兴趣的信息，这在方便用户的同时，也能提高应用或网站的体验，有效提升用户的好感度

3、，达到保留用户目的。推荐系统具有良好的应用环境和巨大的需求，已经广泛获得众多学者的关注。随着互联网规模的扩大，无论是用户量还是产品数量都在激增，推荐系统也面临着一系列的挑战。本文在提高推荐质量和效率方面做了有益的探究，主要研究工作如下：(1)结合推荐系统特点，分析了经典对传网(CPN)的不足，并改进了对传网，使得对传网既适合做用户评分预测，也能架构到分布式系统上。(2)针对数据稀疏问题，提出基于对传网和BP神经网络组合的推荐算法。该算法首先利用对传网分别从用户角度和商品角度处理评分数据，建立多个评分预测模型，这样能够为每一个未评分商品产生多个不同的预测评分；

4、然后利用BP神经网络综合这多个评分，获得一个更准确的预测评分；最后将预测评分最高的若干商品推荐给用户。相对于传统推荐算法，该算法更充分的利用了评分数据，从而有效提高了推荐质量。(3)为了提升推荐系统的效率，本文从推荐系统的离线和在线两个阶段提出改进：离线阶段，将最耗时的对传网训练算法架构到Hadoop分布式系统之上，为此，改进了对传网隐含层的训练算法，使其成为可以并行处理的算法；在线阶段，本文提出的改进对传网能够通过自动聚类的方式，高度压缩数据，使得在线阶段的数据计算量大大减少，从而提升在线推荐的速度。最后，基于Movelens数据平台的实验验证了本文提出的

5、基于对传网和BP神经网络组合的推荐算法的有效性：第一，通过与传统的推荐算法和其它一些新提出的推荐算法做对比实验，验证本文算法在提升推荐质量上的有效性；第二，基于Hadoop分布式系统平台实验，对比对传网训练算法在优化前后的耗时，验证了本文基于分布式的对传网训练算法在提升效率上的有效性。关键词：协同过滤，推荐算法，对传网，BP神经网络I重庆大学硕士学位论文英文摘要ABSTRACTWiththerapiddevelopmentoftheInternet,informationisincreasingatanexplosivegrowth,whilepeoplec

6、aneasilygetmoreinformation,theyaresubmergedintheseaofinformation,gettinginformationyouneedbecomeanincreasinglydifficulttask.Person-alizedrecommendationsystemcanhelppeoplequicklyandeasilyfindtheinformationtheyareinterestedin,isconvenientfortheuser,improvetheexperienceoftheapplicatio

7、norwebsite,effectivelyenhancethefavorabilityofusers,thuskeeptheusers.Recom-mendedsystemhasgoodapplicationenvironmentandhugedemand,ithasbeenobtainedwideattentionofmanyscholars.WiththeexpansionofInternetscale,thenumberofsubscribersandproductsisin-creasingrapidly,recommendationsystemi

8、salsofacinganumberofchalle