基于协同过滤和深度学习的推荐算法研究

《基于协同过滤和深度学习的推荐算法研究》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、分类号:TP31110710-2015124043硕士学位论文基于协同过滤和深度学习的推荐算法研究贺博导师姓名职称揣锦华教授申请学位类别工学硕士学科专业名称计算机软件与理论论文提交日期2018年4月1日论文答辩日期2018年5月26日学位授予单位长安大学StudyonRecommendationAlgorithmBasedonCollaborativeFilteringandDeepLearningAThesisSubmittedfortheDegreeofMasterCandidate：HeBoSuperviso

2、r：Prof.ChuaiJinhuaChang’anUniversity,Xi’an,China摘要互联网的快速发展使人们可以很方便地获取到自己想要的信息资源，但与此同时也产生了信息过载的问题。推荐系统是解决信息过载的一个重要途径。如今推荐系统应用在我们的生活娱乐、社交网络、网上购物等很多场景，但是在实际的体验中，还存在系统的“冷启动”，数据稀疏性等问题。本文通过对皮尔逊相关系数相似度计算公式进行改进，提高了协同过滤算法推荐的精度。此外，还将深度学习应用到推荐系统上，很好地解决了推荐系统中的“冷启动”，数据稀疏性等

3、问题。其中，本文主要做了以下工作。本文重点研究了协同过滤算法的推荐原理，对其推荐的流程做出了详细分析。在基于用户的协同过滤算法中，分别采用余弦相似度和皮尔逊相关系数两种公式在真实的数据集上对算法进行了实现。使用同样的数据集对基于物品的协同过滤算法采用皮尔逊相关系数进行了算法实现。通过对推荐结果的分析，发现协同过滤算法没有考虑共同评价的项目的个数因素对推荐结果的影响，推荐精度还有一定的提升空间。因此本文对皮尔逊相关系数进行改进，通过引入惩罚因子，把共同评价的项目的个数因素考虑进来，对共同评价项目少的用户或者商品采用惩

4、罚因子降低其相似度，通过实验对比，验证了改进后的皮尔逊相关系数公式能明显提高推荐的准确率。为了解决推荐系统的“冷启动”等问题，使推荐系统更加智能化，引入深度学习的方法。首先采用深度学习中VGG16模型对抓取到的衣服图像数据进行特征提取，利用提取到的特征来计算图像间的相似度，以此进行推荐。通过对推荐结果的分析，发现利用模型提取到的衣服图像特征进行推荐的准确率还有提升的空间。为了使模型提取的特征更有针对性，建立卷积神经网络模型，将抓取的数据进行分类，对模型进行训练。对影响模型分类结果的因素进行实验分析，将最优的模型权重

5、保存下来。利用得到的权重对衣服图像进行特征提取，并通过提取到的特征进行相似计算，找到相似的衣服图像进行推荐。通过对推荐的结果进行分析，并与使用VGG16模型特征提取推荐的结果进行对比，证实了建立的模型提取的特征能够更好地进行推荐。关键词：推荐算法，协同过滤，深度学习，卷积神经网络，特征提取iAbstractWiththerapiddevelopmentoftheInternet,peoplecaneasilyobtaintheinformationresourceswhattheywant,butatthesame

6、timeitalsobringstheproblemofinformationoverload.Recommendationsystemisanimportantwaytosolvetheproblemofinformationoverload.Today,therecommendationsystemisappliedtomanyscenessuchasourentertainment,socialnetwork,andonlineshopping.But,intheactualexperience,itstil

7、lhasmanyproblemssuchasthesystem's“coldstart”anddatasparseness.ThispaperimprovestherecommendationaccuracyofthecollaborativefilteringalgorithmbyimprovingthePearsoncorrelationcoefficientsimilaritycalculationformula.Inaddition,deeplearningisappliedtotherecommendat

8、ionsystem,whichsolvedtheproblemsintherecommendationsystemsuch"coldboot"anddatasparseness.Thispapermainlydidthefollowingwork.Thispaperfocusesontherecommendationprincipleofcollaborat