论文部分内容阅读
网络时代的到来带来了数据量的爆炸式增长,人们在网上购物、浏览、评价、分享等行为在服务器产生了大量的数据,这些数据包含有许多重要的信息。为了能够更好地利用人们上网时产生的数据,发现其中的规律,更准确地向人们推荐合适的商品和信息,解决人们在面对商品时迷茫的问题,推荐系统的准确性和实时性变得越来越重要。在电子商务网站中,智能推荐可以向用户推荐他们最感兴趣的商品,同时提高商家的销量;在新闻媒体网站上,可以向用户推荐他们最感兴趣的新闻,提升新闻的点击率;在音乐以及图书等兴趣网站中,可以向用户推荐他们最感兴趣的内容,提升用户体验……随着近年来数据的爆炸式增涨,如何从这些数据中快速提取最准确的信息,关系着各大网站和商家的利益。关于推荐系统的研究,更主要的是关于推荐算法的研究引起了学术界和商业界广泛的兴趣。本文对推荐系统的概念、存在的问题和当前的流行的推荐算法做了深入的了解与研究,包含推荐系统的冷启动等一些普遍存在的问题、比较了各个算法之间的优缺点、数据矩阵的稀疏性问题,常用的评价指标等。在研究并分析了当前推荐系统的现状后,结合本人之前做图形学方面的知识,将卷积神经网络应用到推荐系统中,实现了基于卷积神经网络的推荐算法,在保持推荐精度的情况下,很大地缩减了传统的基于深度学习的推荐算法的训练时间。在研究过程中,结合卷积神经网络以及数据集的的特点,在思考了如何表示、量化数据集,特征维度的选取以及网络模型的构建上,在Matlab中实现了基于卷积神经网络的推荐算法,利用Movie Lens-1M公开数据集进行实验,并与传统的推荐算法做了比较,在实验中取得了不错的效果。