论文部分内容阅读
在网络服务高速发展的信息社会中,互联网上储存的信息数据已经呈指数性增长的趋势,造成相当严重的“信息过载”问题,最终导致用户难以高效地方式获取自己所需的内容信息。因此,本论文使用推荐系统分析用户需求,以应对日益严峻的“信息过载”问题。目前,张量分解算法是推荐系统研究的重要方法之一。该算法将用户-项目-标签的三阶的评分数据分解处理为隐性因子空间上的用户、项目和标签的隐性特征。张量分解算法本身具有良好的理论基础、算法实现容易和预测精准等优点。但是,张量分解算法仍存在稀疏数据集推荐效果较差、只对评分数据进行分析,分析数据源单一。而深度学习从低层特征中进行组合,形成更密集高层的抽象特征,自动分析多源异构数据中的隐性特征,解决张量分解算法稀疏数据表现较差、分析数据源数据结构单一的问题。但是,深度学习基于隐式特征进行处理,直接对多源异构数据进行分析,得出的推荐结果是深度神经网络中各层神经元之间的连接权重,较难以给出相对合理的解释,且目前没有把评分数据作为分析数据来源。因此,本文将张量分解方法和深度学习算法加以改进,并融合在一起,融入评分数据和多源异构的辅助数据作为分析数据源,提升推荐的个性化精准度,适当增加推荐结果的可解释性。最后通过多组量化对比实验,验证本文中的混合推荐算法在社会标签推荐系统中表现更精准,比传统的协同过滤算法降低了34.0%的误差。本文主要围绕张量分解算法和深度学习,深入分析其自身存在的问题,加以改进,并提出将张量分解算法与深度学习网络相融合,从而提高推荐的个性化精准度。本文的主要工作和内容如下:第一、对张量分解算法的优化和改进;第二、将张量分解算法和深度学习相融合,提出BRATDDL混合推荐算法,提高推荐精准度;第三、BRATDDL的验证与应用。为了验证BRATDDL混合推荐算法在实际应用中的表现情况,分别将其应用于WEB通信协议架构的线上推荐服务和科学健康运动推荐系统。