基于排序学习和卷积神经网络的推荐算法研究-计算机应用技术专业论文.docxVIP

大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 大连理工大学学位论文独创性声明 作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究 工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外， 本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请 学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献 均已在论文中做了明确的说明并表示了谢意。 若有不实之处，本人愿意承担相关法律责任。 学位论文题目： 基王塑l庄堂翌塑鲞塑益经圆终鲍丝鲞篡洼塑窒 作者签名：—垤啦珏一日期：世年上月业日 万方数据 大连理工大学硕士学位论文摘 大连理工大学硕士学位论文 摘 要 随着互联网技术特别是以淘宝和亚马逊等为代表的电子商务的飞速发展，互联网中 的数据呈现爆炸性增长，信息过载问题显得越来越严重。帮助我们从海量数据中筛选出 有意义数据的信息过滤技术显得越来越重要。在此背景下，推荐系统诞生了，并且迅速 发展成为当前互联网应用中的重要组成部分。推荐系统根据用户行为记录从大规模数据 中找到用户感兴趣商品，它对于提高用户的满意度和零售商的销售额具有重要的意义。 用户在互联网中的行为主要分为两类，分别是隐性反馈行为和显性反馈行为。其中 在隐性反馈行为中用户没有显式地表达对特定商品的偏好，主要包括用户的点击、浏览、 收藏等行为；而在显性反馈行为中用户则显式地表达了对特定商品的偏好信息，这些行 为中较为常见的主要有评分行为。针对不同类型的用户反馈行为数据有不同的推荐方 法，本文对两种不同的用户反馈行为进行了细致地分析和挖掘，并且分别有针对性地提 出了两种方法以提高推荐系统的性能。 针对显性反馈行为的评分行为，本文选取Top．K推荐作为研究目标。引入信息检索 领域排序学习的方法并且融合用户的社交信息和商品标签信息，本文扩展了一种基于列 表排序学习的矩阵分解方法，一方面充分考虑用户之间关注关系。首先通过用户之间的 关注关系计算用户之间的信任度，接着通过用户之间的信任度在原始模型的损失函数中 添加用户社交约束项，使相互信任的用户偏好向量尽可能接近。另一方面，计算商品所 拥有标签的权重并以此计算商品之间的标签相似度，再将商品的标签约束项添加至损失 函数中。在真实Epinions和百度电影数据集中的实验结果表明，我们提出的方法的NDCG 值和原始模型相比具有一定的提高，有效地提高了推荐准确率。 针对隐性反馈行为，本文选取电子商务领域的下一个购物篮推荐作为研究目标。本 文首先将用户行为按照一定的时间窗口进行划分，对于每个窗口从多个不同的维度抽取 用户对商品的时序偏好特征；接着运用深度学习领域的卷积神经网络模型，模型中的卷 积层组合不同长度的特征图来训练分类器。在阿里巴巴移动推荐算法竞赛公布的真实数 据集中的实验结果表明，和传统的线性模型和树模型等分类器相比，我们提出的卷积神 经网络框架具有较强的特征萃取能力和泛化能力，提高了推荐系统的用户满意度。 关键词：推荐系统；社交网络；排序学习；矩阵分解；卷积神经网络 万方数据 大连理工大学硕士学位论文The 大连理工大学硕士学位论文 The Research on Recommendation Algorithm based on Learning to Rank and Convolutional Neural Network Abstract Witll tlle rapid development of internet techniques，especially E-Commerce like Taobao and AiTlazon．The data in the internet grows much faster than our human beings Can receive， “Information overload”problem iS becoming more and more serious．The information filtering technique．which helps US filter useful information from mass of data iS more and more important．Personalized recommendation technique iS just one of the ideal methods， which aims to fmd user’S interest according to user’S behaviors from large scale data． Recommender system plays an important rol