基于神经网络的推荐系统的研究

《基于神经网络的推荐系统的研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。基于神经网络的推荐系统的研究　　[摘要]推荐系统在商业领域有着巨大的应用前景，随着信息技术和成像技术的快速发展，图像信息量迅速的增长，商业领域对于图像的检索的需求也日益强烈。如何从海量图像中检索出需要的图像信息成为一个急需解决的问题，因此图像检索成为了一个热门的研究方向。深度学习是图像检索领域一个重要的研究方向，其目标是让机器能够像人一样具有分析学习能力，能够对

2、文字，声音，图像等进行识别。该文主要利用卷积神经网络讲述了深度学习在推荐系统上的应用。　　[关键词]深度学习；神经网络；推荐系统；　　中图分类号：TU457文献标识码：A文章编号：1009-914X14-0302-01　　1数据抓取　　本论文采用明尼苏达大学的movielens数据集中的ml-latest-small数据，该数据包含了，，，四个文件。　　其中包含movieId，imdbId和tmdbId。其中movieId是https：//的标识id，imdbId是http：//的标识id，tmdbId是https：//的标识id。为了

3、充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　里面是电影的基本信息，包括movieId，title，genres。movieId同里的movieId，title是电影的名字，genres是电影的类型，主要有动作、冒险、动��

4、、儿童、喜剧、犯罪、纪录片、戏剧、科幻、恐怖、音乐、神秘、浪漫、惊悚、战争和西方等。　　是电影的评分信息文件，主要包含userId，movieId，rating和timestamp。userId是用户的标识id，movieId与上述文件一样，rating是用户对电影的评分信息，其中增量为，评分最低为，最高为5，代表用户对电影的喜好程度，timestamp是时间戳。　　包含的电影的标签信息，包括userId，movieId，tag，timestamp。其中userId、movieId与timestamp和一样。tag表示用户对电影的评价标

5、签，每个标签为一个或几个单词或者短语。　　本文主要用到数据集中的，根据movieId获得相应的tmdbId，通过tmdbId在https：//上抓取对应的电影海报图片。本文抓取数据采用的python语言，事先引入urllib工具包，我们将抓取的图片放到特定的文件夹下，并以tmdbId来命名相应的图片，保存格式为jpg，代码如下：　　+’jpg’）。根据抓取的图片数据，选择了五千张进行实验。　　2特征提取为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂教学，还利用系统的特色栏目开展课外活动，对学生进行安全教

6、育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用，我校做到安装、教师培训同步进行。设备安装到位后，中心校组织各学点管理人员统一到县教师进修学校进行培训，熟悉系统的使用和维护。　　由于计算机配置等原因，在抓取过电影海报之后，选取5000张导入模型。在这里我们引入VGG16模型，并舍掉了最后的3层FC层，因为我们的只需要采用cnn来提取特征而不需要分类。提取特征之后，我们把提取的模型对每一个电影海报预测的特征向量保存下来。　　3导出结果　　提取过每个电影海报的特征之后，我们根据提取的特征

7、向量进行相似度计算，这里我们采用欧式距离的方式来计算相似度，分别对每个电影选取相似度最高的前十个保存下来。我们随机选取四个电影的相似电影来看下预测结果。结果如表3-1所示。　　4结语　　根据结果我们可以得出预测的准确度还是非常高的。但是也有不足之处，卷积神经网络算法只考虑了电影的海报信息，并未把用户的评分信息与评价标签信息考虑进去，这样预测的结果对用户来说个性化程度还有一定的欠缺，如果能把用户对电影的评分数据考虑进去，预测的结果准确度的将会进一步的提高。　　为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用，我们不仅把资源运用于课堂

8、教学，还利用系统的特色栏目开展课外活动，对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。