论文部分内容阅读
个性化推荐作为一种有效的信息过滤技术,能够有效缓解信息过载问题,有着极强的实用价值和商业价值。由于所面对业务环境的复杂性,个性化推荐一直存在着数据稀疏、冷启动以及用户兴趣迁移等问题需要解决和优化。本文针对推荐中存在的数据稀疏及用户兴趣迁移问题,对现有的矩阵分解推荐算法进行了改进,并在其基础上结合了深度学习相关模型,提出一种基于深度学习和矩阵分解的推荐算法,主要做了如下工作:首先,根据不同用户和不同项目之间的不对称关系,提出改进相关度计算式,用于预测评分,提出一种基于非对称相似度的矩阵分解推荐算法,缓解用户信息不对称造成的数据稀疏问题。并在MovieLens、Amazon和Ciao数据集上进行了实验设计,实验结果显示和同类型推荐算法相比改进算法能够明显提高推荐精度。其次,考虑到神经网络能够从数据中学习更为灵活的映射关系,在改进矩阵分解推荐算法的基础上增加了多层感知器来获取用户-数据交互信息的非线性部分,提出一种加权神经网络矩阵分解推荐算法,并在MovieLens和Pinterest两数据集上进行了实验设计,实验结果显示和其他主流推荐算法模型相比,推荐精度也有一定程度的提升。此外,针对用户兴趣随时间变化的问题,将循环神经网络GRU与加权神经网络矩阵分解推荐算法相结合,利用加权神经网络矩阵分解推荐算法预测用户长期兴趣,利用GRU模型预测用户短期兴趣,提出一种融合GRU的加权神经网络矩阵分解推荐算法,并在MovieLens和Pinterest两数据集上进行了实验,和加权神经网络矩阵分解推荐算法相比,融合GRU的加权神经网络矩阵分解推荐算法在排序精度上有了明显的提升,同时和其他主流推荐算法相比,其推荐精度也表现更好。最后,对个性化电影推荐系统进行了需求分析,并根据本文研究提出的基于深度学习的矩阵分解推荐算法为模型,利用TMDB提供的电影数据对个性化电影推荐系统进行了设计和实现。