基于深度学习的多Agent推荐方法研究

发布时间：2023-10-08 19:52

　　当下互联网技术飞速发展,海量的信息资源使得网络利用率急剧下降,所以,如何快速为用户推荐出满足其需求条件的信息,并提高推荐系统的个性化和推荐效果的准确性,成为目前尤为突出的待解决研究点。本文针对推荐系统的个性化服务效果和推荐结果的准确度提升等,改进了传统推荐算法,并将深度学习技术与推荐系统相结合,融入到了多Agent推荐框架之中,以此展开深入的研究。本文的主要研究内容如下:(1)针对传统基于协同过滤的推荐中存在的冷启动以及推荐准确度较低的问题,在协同过滤算法的基础上,提出了基于K-means的矩阵分解推荐算法(Matrix Factorization Based on K-means,KMMF)。该算法先提取出兴趣相似的用户,再以此为基础进行矩阵分解。小规模的矩阵运算可以有效降低计算复杂度。实验结果表明,改进的KMMF算法相较于传统的基于内容的推荐和矩阵分解推荐,在召回率和精确度上都有了明显的提高,并且在处理用户冷启动问题上也取得了很好的效果。(2)针对传统推荐算法缺乏考虑特征相互作用影响的问题,将深度学习与推荐系统相融合,提出了一种基于深度学习的混合推荐模型(Deep and Cros...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于深度学习的推荐方法
        1.2.2 多Agent方法
    1.3 本文的主要工作
    1.4 本文组织结构
2 相关理论与技术
    2.1 基于内容的推荐算法
    2.2 基于协同过滤的推荐算法
    2.3 深度学习神经网络模型
    2.4 混合推荐策略
        2.4.1 混合推荐结果
        2.4.2 混合推荐过程
    2.5 本章小结
3 基于K-means的矩阵分解算法
    3.1 Funk-SVD矩阵分解
    3.2 K-means聚类分析
    3.3 基于K-means的矩阵分解算法设计
    3.4 实验验证与结果分析
        3.4.1 实验数据集
        3.4.2 模型评估指标
        3.4.3 参数选取
        3.4.4 对比实验
        3.4.5 模型预测
    3.5 本章小结
4 基于DCFM的深度学习推荐模型
    4.1 因子分解机
    4.2 深度因子分解机
    4.3 基于DCFM的深度学习推荐模型设计
        4.3.1 输入部分
        4.3.2 主体部分
        4.3.3 输出部分
    4.4 实验验证与结果分析
        4.4.1 模型评估
        4.4.2 实验及超参设置
        4.4.3 实验结果
    4.5 本章小结
5 基于XDeepFM的深度学习推荐模型
    5.1 压缩式交互网络CIN
    5.2 基于XDeepFM的深度学习推荐模型设计
    5.3 实验验证与结果分析
    5.4 本章小结
6 基于多Agent框架的推荐模型
    6.1 多Agent框架设计
    6.2 实验验证与结果分析
    6.3 本章小结
7 总结与展望
    7.1 研究总结
    7.2 研究展望
参考文献
作者简历
致谢



本文编号：3852679