基于神經(jīng)網(wǎng)絡(luò)的個性化推薦算法研究與設(shè)計.pdf

1、隨著互聯(lián)網(wǎng)的迅速發(fā)展，信息量呈爆發(fā)式增長，人們能方便獲取更多信息的同時，也被信息的海洋淹沒，想要獲取需要的信息變成一件越來越困難的事。個性化推薦系統(tǒng)能夠幫助人們快速便捷發(fā)現(xiàn)他們感興趣的信息，這在方便用戶的同時，也能提高應用或網(wǎng)站的體驗，有效提升用戶的好感度，達到保留用戶目的。推薦系統(tǒng)具有良好的應用環(huán)境和巨大的需求，已經(jīng)廣泛獲得眾多學者的關(guān)注。
　　隨著互聯(lián)網(wǎng)規(guī)模的擴大，無論是用戶量還是產(chǎn)品數(shù)量都在激增，推薦系統(tǒng)也面臨著一系列的挑戰(zhàn)

2、。本文在提高推薦質(zhì)量和效率方面做了有益的探究，主要研究工作如下：
　　(1)結(jié)合推薦系統(tǒng)特點，分析了經(jīng)典對傳網(wǎng)(CPN)的不足，并改進了對傳網(wǎng)，使得對傳網(wǎng)既適合做用戶評分預測，也能架構(gòu)到分布式系統(tǒng)上。
　　(2)針對數(shù)據(jù)稀疏問題，提出基于對傳網(wǎng)和 BP神經(jīng)網(wǎng)絡(luò)組合的推薦算法。該算法首先利用對傳網(wǎng)分別從用戶角度和商品角度處理評分數(shù)據(jù)，建立多個評分預測模型，這樣能夠為每一個未評分商品產(chǎn)生多個不同的預測評分；然后利用BP神經(jīng)網(wǎng)絡(luò)綜

3、合這多個評分，獲得一個更準確的預測評分；最后將預測評分最高的若干商品推薦給用戶。相對于傳統(tǒng)推薦算法，該算法更充分的利用了評分數(shù)據(jù)，從而有效提高了推薦質(zhì)量。
　　(3)為了提升推薦系統(tǒng)的效率，本文從推薦系統(tǒng)的離線和在線兩個階段提出改進：離線階段，將最耗時的對傳網(wǎng)訓練算法架構(gòu)到Hadoop分布式系統(tǒng)之上，為此，改進了對傳網(wǎng)隱含層的訓練算法，使其成為可以并行處理的算法；在線階段，本文提出的改進對傳網(wǎng)能夠通過自動聚類的方式，高度壓縮數(shù)據(jù)，