基于降噪堆棧式自動編碼機(jī)的協(xié)同過濾推薦算法.pdf

1、基于降噪堆棧式自動編碼機(jī)的協(xié)同過濾推薦算法重慶大學(xué)碩士學(xué)位論文（學(xué)術(shù)學(xué)位）學(xué)生姓名：牛寶君指導(dǎo)教師：鄒東升副教授專業(yè)：計算機(jī)科學(xué)與技術(shù)學(xué)科門類：工學(xué)重慶大學(xué)計算機(jī)學(xué)院二O一七年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要互聯(lián)網(wǎng)技術(shù)快速的飛速發(fā)展將人類帶入了一個前所未有的信息時代，人們創(chuàng)造、存儲、查詢信息的速度正在以指數(shù)量級增長，尤其是電子商務(wù)的蓬勃發(fā)展使每一個人的生活方式發(fā)生了巨大的轉(zhuǎn)變，電子零售商和內(nèi)容提供商為消費者提供了琳瑯滿目的商品和豐

2、富多彩的信息以期滿足不同類型消費者的喜好與需求。人們浸淫在信息的海洋之中卻茫然無措，用戶要高效準(zhǔn)確的找到符合自己個性化需求的信息或商品則如同海底撈針，只能望洋興嘆。個性化推薦技術(shù)作為信息過濾的有效方式極大的緩解了信息過載的現(xiàn)狀，在工業(yè)界得到了廣泛的應(yīng)用，但仍然存在諸問題亟待解決，因此在學(xué)術(shù)界推薦技術(shù)仍保持著持續(xù)的研究熱度，加之近年來深度學(xué)習(xí)方法在各領(lǐng)域都取得了優(yōu)秀的成果，但在推薦系統(tǒng)領(lǐng)域的應(yīng)用研究還相對較少。本文首先全面的分析了現(xiàn)有推薦

3、技術(shù)中各類方法的優(yōu)勢與缺陷，仔細(xì)深入的研究了各方法的原理及適用范圍，然后針對現(xiàn)有的協(xié)同推薦算法因用戶物品評分矩陣的稀疏性影響使推薦系統(tǒng)中的用戶相似度計算不準(zhǔn)確進(jìn)而導(dǎo)致推薦質(zhì)量不高這一問題，提出了基于降噪堆棧式自動編碼機(jī)的協(xié)同過濾推薦算法（Stackeddenoisingautoencodersbasedcollabativefiltering，簡稱SDAECF算法）。旨在將自動編碼機(jī)引入到推薦系統(tǒng)中，使用自動編碼機(jī)從用戶物品評分矩陣中提

4、取出用戶的偏好特征輔助協(xié)同過濾推薦任務(wù)，提高推薦質(zhì)量。本文的主要創(chuàng)新點有兩點，總結(jié)如下：①將堆棧式降噪自動編碼機(jī)引入到協(xié)同過濾推薦任務(wù)中用于學(xué)習(xí)用戶偏好特征表示，將其作為協(xié)同推薦任務(wù)初始步驟中的一個重要組件，研究并提出基于降噪堆棧式自動編碼機(jī)的協(xié)同過濾算法（SDAECF）。相對于傳統(tǒng)的推薦算法中直接將系統(tǒng)全量商品數(shù)目作為用戶偏好模型的特征維度，本文方法在空間上大大的減少了用戶偏好特征表示所需要的維度，得到相對稠密的用戶特征向量，為適應(yīng)于

5、推薦任務(wù)場景，對原型的自動編碼機(jī)的結(jié)構(gòu)和訓(xùn)練策略進(jìn)行改造，首先在結(jié)構(gòu)上引入噪聲模型并進(jìn)行堆棧，強(qiáng)化了自動機(jī)編碼提取特征的能力，其次在訓(xùn)練策略上，對共同評分用戶進(jìn)行緊耦合的同步訓(xùn)練方式，減少了超參數(shù)的數(shù)目，降低針對單個用戶的個性化自動編碼機(jī)的訓(xùn)練難度。②在妥協(xié)一定準(zhǔn)確性的前提下，提出以改進(jìn)的漢明距離作為用戶特征向量的相似度計算方法，使用戶之間的相似度計算變得簡潔高效，并與采用其他相似度標(biāo)準(zhǔn)計算所得的推薦結(jié)果進(jìn)行比較，實驗證明使用該方法作為