摘要协同过滤方法由于其出色的推荐效果，已经广泛应用于许多推荐系统。传统的基于协同过滤的方法仅根据用户对物品的评分信息来对用户做出较好的推荐。但是当用户评论数据太过于稀疏的时候，协同过滤方法的推荐效果会急剧下降。为了保证在评分数据过于稀疏的时候维持较好的推荐效果，必须利用一些附加的信息，例如物品的内容信息。协同话题回归是一个最近提出来的紧耦合的推荐模型，它的推荐不仅取决于物品的内容信息，也取决于用户评分数据。尽管如此，在物品的附加信息也趋向稀疏时，CTR的表现也会明显的下降。为了解决这个问题，参考了深度学习研究的最新进展，将堆叠去噪自编码器引入到传统的协同过滤方法当中。这种方法可以称为协同深度学习。73276

毕业论文关键词  推荐系统  深度学习  协同过滤   堆叠去噪自编码器

毕业设计说明书外文摘要

Title  Collaborative Deep Learning based Recommender Systems

Abstract Collaborative filtering methods has been used in many recommender systems due to it’s perform。 The recommender in collaborative filtering model only rely on the rating to items by users。 Though the effect of collaborative filtering recommended will be a sharp decline when the rating data is far too sparse。 In order to ensure the recommend effect, some auxiliary information must be used, such as the content information。 Collaborative topic regression (CTR) is hybrid model to solve the rating sparse problem。 However, the effect of CTR also fall while the content information tends to sparse。 To solve this problem, a Stacked Denoising Autoencoders model was developed in traditional collaborative filtering methods。 This model could be called collaborative deep learning method。

Keywords  Recommendation System   Deep Learning   Collaborative Filtering   

目 次

1。 引言 1

1。1 背景介绍 1

1。2 研究现状 2

1。3 协同深度学习模型简介 3

2。 符号表示 4

3。 模型介绍 5

3。1 堆叠去噪自动编码机 5

3。2 协同深度学习模型构造 5

3。3 目标函数 6

3。4 模型的训练 7

3。5 预测评分矩阵 8

3。6 计算复杂度 8

4。 实验 10

4。1 数据集 10

4。2 数据集分割 11

4。3 评测指标