基于人工智能的推荐算法关键技术研究

摘要

在互联网爆炸式增长的时代，从海量信息中快速获取所需信息变得越来越困难，即“信息过载”问题。为了解决信息过载问题，推荐算法主动地根据用户历史信息挖掘用户的需求，从而进行有限地进行信息过滤，推荐用户可能感兴趣的信息。然而在用户需求不明确，以及历史数据海量却不完备时，推荐算法很难准确定位用户兴趣，并且数据稀疏，冷启动等问题急需解决。同时，微博、Facebook等社交网络蕴含丰富的用户兴趣相关的数据与社交关系，有效地利用这些数据可以有效地提升推荐算法的性能。 本论文考虑当商品属性可知（通过图像识别等）且繁杂，比如闲鱼等二手市场网站时，需要对属性数据分析得到确定的商品类别，从而进行有效的定制化商品推荐。并通过社交网络，学习用户及其相关联用户的喜好特征等。针对上述问题，本论文首先设计了基于神经网络的智能协同过滤模型，通过挖掘社交网络的信息，构建用户关联模型，从而弥补了数据稀疏性等问题。之后对数据进行了基于主成分分析的特征提取，在保持分类精确度的情况下，有效降低了数据维度，从而大大减少了协同过滤模型的输入数据，保证了协同过滤算法的快速有效进行。并将其输入到已训练好的神经网络模型进行训练，得到用户最感兴趣产品的分类，然后我们在该类别的产品使用协同过滤推荐算法得到令人满意的推荐结果。 我们设计推荐系统时，神经网络分布式结构与并行处理信息的能力，以及在大数据处理方面独特的优势，成为我们设计分类算法的首要选择。此外，当商品类别信息不可知时，运用了基于K-means算法对样本数据进行智能聚类。实验验证了其功能的可用性。同时，该推荐系统具有操作方便、实用性强等特点，适用于属性较多样本数据中类别数据不完善的情况。在今后的研究中，需要进一步提升系统的安全性。同时，提供多样化的查询手段，这些内容将作为今后研究和改进的重点。

目录

第一个书签之前

摘要

ABSTRACT

插图索引

表格索引

符号对照表

缩略语对照表

第一章意义

1.1研究意义

1.2国内外研究现状

1.2.1推荐系统的研究现状

1.2.2神经网络和深度学习研究现状

1.3文章结构

第二章推荐算法及神经网络

2.1推荐算法

2.1.1推荐算法比较

2.1.2协同过滤推荐算法原理

2.2神经网络

2.2.1神经网络基础

2.2.2神经网络类型

2.2.3过拟合问题与规范化

第三章推荐算法设计与研究方案

3.1神经网络推荐系统

3.1.1数据预处理

3.1.2主成分分析

3.1.3神经网络模型建立

3.1.4推荐算法

3.1.5基于社交网络的图结构

3.2基于数据聚类的推荐算法

3.2.1数据处理

3.2.2聚类分析

3.2.3k均值聚类算法

第四章实验与仿真

4.1神经网络推荐系统

4.1.1数据预处理

4.1.2神经网络模型

4.1.3对比实验

4.1.4推荐算法

4.2基于聚类的推荐系统

4.2.1数据处理

4.2.2数据分析

4.2.3数据聚类

4.2.4推荐算法

第五章总结与展望

参考文献

致谢

作者简介

1.基本情况

2.教育背景

3.攻读硕士学位期间的研究成果

3.1发表学术论文

3.2申请（授权）专利

3.3参与科研项目及获奖