基于深度学习的个性化电影推荐算法研究
这是一篇关于电影推荐,深度学习,词嵌入模型,爬虫技术,K最近邻的论文, 主要内容为随着5G时代的到来,电影的传输速度越发快速迅捷,同时人们对于观看电影的需求也越来越丰富,电影类的软件也会不断增加。现今是大数据时代,一方面电影资源的数据量越来越多,另一方面为用户提供电影推荐的精准需求越来越难。不断发展的推荐算法能够将这一难题进行有效地解决,推荐算法利用数据挖掘技术,提取用户的历史行为特征,利用这些特征给用户推荐所喜爱的电影。因此将推荐算法应用于电影类的软件,为用户提供精准的推荐服务成为了一件具有很好发展前景的事情。本文根据用户对于电影的评分具有高稀疏度的特点,提出基于深度学习的个性化推荐算法。首先介绍了电影推荐系统的历史发展和定义,并详细阐述了推荐系统的基本概述与推荐算法的简介,着重介绍了深度学习在推荐领域的应用。然后介绍了一种基于深度学习技术的推荐模型Conv FNN,并对该模型各个组成成分进行了详细的介绍。本文在该模型的基础上,对该模型的CNN网络嵌入层进行优化,引入Glo Ve词嵌入模型。同时也将该模型和传统的机器学习算法KNN进行融合,提出一种新的网络模型Conv FNN-KNN模型。本文使用推荐领域常用的公开数据集Movie Lens,同时利用爬虫技术爬取电影简介特征,完善数据集。最后利用处理之后的数据集进行实验。通过对比分析实验结果,发现实验符合预期,呈现出一个正向的趋势。随着推荐电影序列的增加,改进的Conv FNN-KNN个性化推荐算法在确保不损失准确率的同时,对推荐序列的多样性和覆盖率都较传统的PMF算法和深度学习模型ConvFNN有所提升。
基于电影知识图谱的推荐方法研究
这是一篇关于电影推荐,知识图谱,注意力机制,卷积神经网络的论文, 主要内容为在现如今的影视网站中电影推荐是网站引导用户观影的主要方式,推荐系统对于电影网站的意义在于提升用户满意度和忠诚度,从而增加网站流量和收益。现有的电影网站中应用的电影推荐方法基本都是基于协同过滤的方式对用户生成推荐列表,对于网站中电影资源自身的属性内容构成知识图谱增强推荐效果的研究相对而言比较少,知识图谱可以将电影之间的关系进行建模和表示,从多个角度对电影进行分类和描述,为推荐方法提供更有效的结构与内容信息。本文重点研究基于知识图谱的电影推荐问题,利用知识图谱、Trans E图嵌入和知识图谱卷积技术从知识图谱数据中挖掘用户与电影潜在的联系,加强推荐的可解释性并提高推荐的准确性,使网站可以更好的满足用户的需求,增强用户粘性。为了更好地表示知识图谱中用户与电影之间潜在联系,本文在传统推荐模型(Ripple Net)中加入了层级聚合权重因子,经由实验证明了知识图谱传播中不同的传播属性层对信息聚合具有不同的影响力。并且基于用户-项目二部图,在稀疏数据中通过结构遍历原理的协同过滤方法找到用户可能感兴趣的兴趣点,丰富了表示相似用户信息点。其次,基于对知识图谱层级传播信息的研究,运用图卷积神经网络原理,提出了基于知识图谱卷积网络的信息表示方法(Irr KGCN)。我们使用了知识图谱卷积网络,对知识图谱中信息进行基于注意力机制的偏好传播收集。利用知识图谱生成用户画像与电影画像最终在模型的输出层计算两者的余弦相似度作为用户与电影交互的概率。最后,我们在使用Movielens所构造的知识图谱数据集上验证本文提出方法的有效性。
基于知识图谱的电影推荐系统的研究与实现
这是一篇关于知识图谱,电影推荐,表示学习,协同过滤的论文, 主要内容为推荐系统旨在为用户提供精准的项目推荐,能够有效解决因为大量数据导致的信息爆炸问题,广泛应用在电影、购物和新闻等网站中。传统的推荐系统受限于数据稀疏性和冷启动问题,往往不能做出合理的推荐。知识图谱能够有效地表达实体之间的语义关系,将知识图谱应用于推荐系统成为了当今的研究热点。本文构建了电影领域知识图谱并获得电影语义相似度,然后通过协同过滤算法获得电影评分相似度,再将两者相似度进行融合产生较好的推荐效果。本文的主要研究内容如下:(1)构建了电影领域知识图谱。首先对电影知识图谱的实体和关系进行描述,然后基于Movielens数据集拓展出构建知识图谱所需要的属性,并确定了知识实体和关系类型,最后建立图数据库,将实体和关系的三元组数据导入至图数据库中并构建知识图谱。(2)本文基于知识表示学习框架提出了改进后的Trans HNK模型,通过聚类算法将实体集合分成多个簇,并在不同的簇中进行负例三元组采样。通过知识表示学习框架得到电影语义相似度,再通过电影评分矩阵得到电影评分相似度,将两种相似度进行融合得到相似度表达式。通过实验获得该模型的命中率和平均排名,并计算出具有较好推荐效果的融合因子,保证了推荐算法在准确率和召回率上取得综合良好的性能。(3)对电影推荐系统进行了设计与实现。本文根据基于知识图谱的电影推荐算法设计并实现了电影推荐系统,首先对系统的进行需求分析,然后对系统架构、系统功能、数据库等进行了详细设计,再对电影推荐界面、电影详情界面、电影管理界面等页面进行了实现,最后通过测试,保证系统稳定运行。
基于Hadoop的电影推荐系统的研究与实现
这是一篇关于电影推荐,Hadoop,协同过滤推荐算法,K-Means,MapReduce的论文, 主要内容为进入Web2.0时代,互联网的应用越来越广泛,大量的电影资源在网络上涌现,为了在如此庞大而复杂的电影资源中找到感兴趣的东西,推荐系统得到了广泛的应用。大数据显示,当代更多的人更偏好在电影网站上看电影,因此电影网站在我国具有很好的发展前景,而构建一个准确高效的推荐系统是网站成功的关键。本文设计的电影推荐系统基于Hadoop平台实现,Hadoop是一个扩展性良好、高效性、开源的分布式框架,对于现代的电影推荐系统来说,每天都在飞速增长的大数据存储和计算是最大的难题,而Hadoop在解决大数据问题上有着其他平台无可比拟的优势,Map Reduce分布式框架能够实现大数据的计算,HDFS分布式文件系统能够实现大数据的存储。推荐系统的关键是推荐算法,本文提出了一种Hadoop平台下的聚类协同过滤推荐算法。首先采用Canopy算法根据用户对电影的评分记录将相似的用户粗聚类。然后对同一Canopy内的用户进行K-Means迭代计算,将Canopy聚类的个数作为K值,采用Pearson相关系数作为距离公式对用户精准聚类。Pearson相关系数反映的是两个向量之间的相关性,它考虑到了不同用户之间的评分差异。最后基于聚类结果构建用户最近邻集合,计算出预测评分,生成推荐结果。Canopy与K-Means二者结合,既在一定程度上减少了计算量,又使聚类结果更加准确。在Movielens数据集上的对比实验结果表明,本文提出的推荐算法在精准度和扩展性上都更加优化。本系统的研究与实现过程如下:1.需求分析阶段:分析系统的实现目标,首先进行系统的可行性分析,然后分别从管理员和用户的角度考虑,对本系统的功能与非功能需求进行详细分析。2.设计阶段:对系统的整体架构、功能及数据库进行设计。3.电影推荐算法:本文提出的推荐算法将聚类与协同过滤推荐相结合,在Hadoop平台上实现,首先根据用户对电影的评分,使用聚类算法将相似的用户聚在一起,然后使用Pearson相关系数和阈值来构建最近邻集合,最后计算目标用户对相似用户评过分的项目的预测评分,对其排序生成推荐结果。整个算法基于Hadoop平台运行,Map Reduce的分布式并行化框架计算实现了算法的可扩展性,HDFS实现了海量数据存储的扩展性。同时基于Movielens数据集进行对比实验,验证本文提出的推荐算法的精准度。4.实现及测试阶段:基于Eclipse平台,使用JSP、Java Script等语言对前台界面进行编码实现,基于Hadoop平台,使用java语言完成算法部分的代码编写,对系统的功能进行测试。
基于自动去噪算法和深度学习的混合推荐算法模型的研究与应用
这是一篇关于SDA,EWDL,决策树,电影推荐的论文, 主要内容为随着互联网技术的发展,推荐系统被应用在越来越多的场景来缓解信息爆炸的时代用户信息过载的问题,一个好的推荐系统可以大量减少用户在寻找所需信息过程中花费的人力和时间,提高用户的体验感,为企业创造利润。因此,如何提高推荐系统性能,快速的在大量信息中筛选出用户的所需信息成为了时下一个炙手可热的研究课题。经过多年的发展,传统的简单推荐模型已经不能满足用户日渐丰富的信息,越来越多的研究尝试将深度学习用于推荐系统领域来实现推荐系统的智能化。本文针对推荐系统相关算法进行研究和应用,尝试将梯度提升决策树GBDT(Gradient Boosting Decision Tree)以及深度学习模型 WDL(Wide and Deep Learning)相结合,来实现一种可以实现自动化特征交叉的组合模型GWDL,并引入堆栈去噪自编码器SDAE(Stacked Denoised Autoencoder)技术。基于以上基础,本文研究并实现了混合推荐算法SDAE-GWDL,旨在提高原基础模型WDL各方面的性能,并将混合模型实际应用在电影推荐场景,来验证改进后模型的可用性。为了达到以上目标,本文主要研究工作如下:1.对WDL模型的特征工程部分进行研究,提出将GBDT决策树和WDL模型结合,从而解决深度学习模型WDL中需要手工特征交叉的问题,提高模型挖掘用户高阶特征的能力。2.对模型输出层部分进行研究,改进模型输入层的设计。3.对堆栈去噪自编码器进行研究,针对实际推荐场景中特征数据稀疏的问题,提出将SDAE与上述GWDL模型相结合,旨在提高模型推荐结果的准确度和去噪能力,并改善模型的冷启动性能。本文通过在三个推荐模型训练常用数据集(Movielens数据集、Lastfm数据集和Jester数据集)上进行模型的性能测试实验,采取Precision、AUC(Area Under the Curve)、Recall作为实验的评测指标,将三个数据集上上述评测指标的平均值对新模型的性能进行评测,实验结果表明,基础模型的Precision、AUC、Recall分别为0.7397、0.8401、0.5591,改进后模型的指标值分别为0.7626、0.8777、0.5934,三个指标均有不同程度的提升,验证了该算法模型在推荐方面的性能提升。此外,本文还评测指标mAP(mean average precision)对模型的冷启动性能进行了评测,结果表明改进模型的mAP在原模型的基础上平均提升了 2.45%。本文研究并提出的SDAE-GWDL算法模型可以提升推荐结果的准确度,改善推荐系统的冷启动性能。基于以上对推荐模型的研究,本文设计并实现了基于Django平台和改进后融合模型的个性化电影推荐系统。该系统实现了高效的个性化电影推荐功能,并且经实验验证融合模型的加入可以提高推荐结果的准确性以及改善推荐系统的冷启动性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设导航 ，原文地址：https://m.bishedaima.com/lunwen/47830.html
