發(fā)布時間：2025-02-10 20:45

　　在移動互聯(lián)網(wǎng)時代,個性化推薦服務(wù)為人類日常生活造就了便利。日益增長的數(shù)據(jù)成為了互聯(lián)網(wǎng)時代的標(biāo)簽,也成為了這個時代最寶貴的資源之一。然而,繁多冗余的數(shù)據(jù)在推薦系統(tǒng)中沒有得到有效利用,用戶與物品之間交互數(shù)據(jù)的高稀疏性給個性化推薦帶來了不少困擾,同時也給研究工作帶來了巨大挑戰(zhàn)。在電影推薦中,極少有研究工作考慮了電影的視覺內(nèi)容,并且電影海報和靜態(tài)幀中的美學(xué)質(zhì)量評價還沒有在電影推薦中加以使用。另外,現(xiàn)有研究工作使用深度學(xué)習(xí)技術(shù)提取圖像視覺特征并用于推薦系統(tǒng),然而這些視覺特征只是單純地為了完成分類任務(wù),其中視覺特征與推薦任務(wù)的訓(xùn)練相互分離,個性化推薦性能并沒有顯著提升。本文結(jié)合深度學(xué)習(xí)與推薦算法,融合圖像的視覺特征和美學(xué)特征進(jìn)行統(tǒng)一訓(xùn)練,以緩解數(shù)據(jù)稀疏性,提升個性化電影推薦性能。本文的主要研究工作如下:(1)本文分析了當(dāng)前推薦系統(tǒng)的研究背景以及國內(nèi)外的研究現(xiàn)狀,探討了傳統(tǒng)推薦算法的優(yōu)劣以及電影推薦的發(fā)展趨勢。(2)在分析并利用了電影海報和靜態(tài)幀中包含的視覺內(nèi)容的基礎(chǔ)上,本文提出了融合視覺特征的端到端電影推薦模型。該模型使用卷積神經(jīng)網(wǎng)絡(luò)提取圖像的視覺特征,將視覺特征和推薦模型的參數(shù)學(xué)習(xí)融合到統(tǒng)一訓(xùn)練的...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 文章組織結(jié)構(gòu)
第二章 相關(guān)概念與技術(shù)
    2.1 推薦系統(tǒng)及其基本定義
    2.2 概率矩陣分解
    2.3 圖像的美學(xué)質(zhì)量評價
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.5 梯度上升算法
    2.6 前向傳播和反向傳播
    2.7 本章小結(jié)
第三章 融合視覺特征的端到端電影推薦模型
    3.1 問題分析與定義
    3.2 融合視覺特征的端到端推薦模型
        3.2.1 視覺特征的提取
        3.2.2 視覺特征的融合
        3.2.3 模型參數(shù)學(xué)習(xí)
        3.2.4 時間復(fù)雜度分析
    3.3 實驗及結(jié)果分析
        3.3.1 數(shù)據(jù)集
        3.3.2 評價指標(biāo)
        3.3.3 對比方法與參數(shù)設(shè)置
        3.3.4 實驗結(jié)果分析
    3.4 本章小結(jié)
第四章 融合美學(xué)特征的端到端電影推薦模型
    4.1 問題分析
    4.2 融合美學(xué)特征的端到端推薦模型
        4.2.1 美學(xué)質(zhì)量評價的專用網(wǎng)絡(luò)
        4.2.2 美學(xué)特征的提取
        4.2.3 美學(xué)特征的融合
        4.2.4 模型參數(shù)訓(xùn)練
    4.3 實驗及結(jié)果分析
        4.3.1 數(shù)據(jù)集及設(shè)置
        4.3.2 實驗結(jié)果分析
    4.4 本章小結(jié)
第五章 系統(tǒng)實現(xiàn)與展示
    5.1 系統(tǒng)實現(xiàn)環(huán)境
    5.2 系統(tǒng)詳細(xì)設(shè)計
    5.3 系統(tǒng)展示
    5.4 系統(tǒng)測試
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝



本文編號：4033054