基于深度學習的推薦算法研究.pdf

1、隨著電子商務網站中商品數(shù)量和種類的增多，消費者需要花費更多的時間進行商品的篩選，這種信息過載的現(xiàn)象困擾著人們對有效信息的選擇。為了解決以上難題，推薦技術進入了人們的生活，協(xié)同過濾推薦是應用最廣泛的推薦技術。然而隨著網絡人群數(shù)量日益增長，協(xié)同過濾推薦系統(tǒng)中的數(shù)據變得越來越稀疏，這將影響用戶間的相似度計算精度，使得將大量的用戶群體聚類成不同的群組變得困難，影響近鄰用戶的選擇。同時近鄰群組的好壞會對推薦系統(tǒng)的推薦效率產生較大影響。針對上述情況

2、，本文從如何改善聚類、緩解數(shù)據稀疏問題和計算用戶相似度方面著手，對推薦系統(tǒng)進行研究，以提升推薦系統(tǒng)的推薦質量。
　　首先，針對K-means依靠距離聚類存在局限性進而導致相似用戶不能聚集到同一群組，影響推薦質量的問題，提出一種基于深度置信網絡的協(xié)同過濾推薦算法。該算法根據用戶和項目評分矩陣構建用戶的特征矩陣；然后采用深度置信網絡對用戶特征進行訓練，根據得到的頂層神經元概率進行用戶聚類操作；再計算目標用戶與所在群組內用戶間的關聯(lián)度；

3、最后，選取相似度較高部分的用戶為目標用戶進行相關推薦。
　　其次，針對傳統(tǒng)協(xié)同過濾推薦算法的數(shù)據稀疏性問題和相似性計算存在的缺陷，提出一種融合評分偏離度的深度置信網絡推薦算法。該算法首先使用深度學習的深度置信網絡對用戶進行聚類操作；然后使用評分偏離度相似度計算公式計算同一群組內用戶間的關聯(lián)度；最后，使用同一群組內與目標用戶的相似度較高用戶實施推薦。
　　最后，對本文提出的算法進行實驗考證，并與相關算法進行實驗對比，分析實驗結