本文是一篇計算機論文，本文在前人研究的基礎(chǔ)上利用多模態(tài)的特征提取與負反饋的深度強化學(xué)習(xí)的推薦算法，增加了模型的信息輸入的角度與用戶更好的、動態(tài)的、個性化推薦。
第一章 緒論
第一節(jié)  課題研究背景與研究意義
一、研究背景
隨著互聯(lián)網(wǎng)上可用數(shù)據(jù)的指數(shù)級增長，我們每天遇到的信息量是爆炸的。個性化的推薦系統(tǒng)已經(jīng)成為一種有效的解決方案，幫助用戶瀏覽這些大量的數(shù)據(jù)，找到與他們最相關(guān)和最有用的信息。通過利用用戶的數(shù)據(jù)和偏好，推薦系統(tǒng)可以產(chǎn)生個性化的推薦方案，為個人用戶的興趣和需求量身定做。
除了提高用戶體驗外，個性化的推薦系統(tǒng)也有很大的商業(yè)利益。使用推薦系統(tǒng)的在線平臺可以提高用戶參與度，推動流量，并最終促進銷售。這一點在淘寶和抖音等電子商務(wù)平臺的成功中尤為明顯，這些平臺利用個性化的推薦來改善用戶的購物體驗，從而增加銷售收入。
盡管推薦系統(tǒng)給用戶和商家?guī)砹藰O大的便利，但仍有一些挑戰(zhàn)需要解決。例如，用戶經(jīng)常面臨不相關(guān)的推薦問題，這些推薦不符合他們當(dāng)前的偏好或需求。這可能是由于用戶的興趣和偏好不是靜態(tài)的，而是受到各種背景因素的影響，如時間、地點和環(huán)境。因此，有必要提出一種結(jié)合用戶動態(tài)和情境感知推薦模型，以適應(yīng)用戶不斷變化的偏好。
為了應(yīng)對這一挑戰(zhàn)，研究人員正在探索各種技術(shù)，如深度學(xué)習(xí)、強化學(xué)習(xí)等，以建立更準(zhǔn)確和有效的推薦模型。這些模型利用過去的用戶行為數(shù)據(jù)來預(yù)測未來的偏好，同時考慮到時間、地點和季節(jié)性等背景因素，以做出更具針對性的推薦方案。通過結(jié)合過去和未來的用戶行為數(shù)據(jù)，這些模型可以動態(tài)地適應(yīng)用戶不斷變化的偏好，提高整體的用戶體驗。
.........................
第二節(jié)  國內(nèi)外研究現(xiàn)狀及分析
自20世紀(jì)90年代推薦系統(tǒng)出現(xiàn)以來，該領(lǐng)域已經(jīng)獲得了學(xué)術(shù)界和商業(yè)界的極大關(guān)注和興趣。推薦系統(tǒng)旨在幫助用戶根據(jù)他們過去的行為、偏好和環(huán)境找到相關(guān)的和個性化的信息、產(chǎn)品或服務(wù)。隨著電子商務(wù)和在線服務(wù)的快速增長，對個性化推薦的需求已經(jīng)成為提高用戶滿意度、參與度和創(chuàng)收的關(guān)鍵。
早期的推薦系統(tǒng)依賴于簡單的協(xié)同過濾技術(shù)，分析用戶過去的行為，如購買或評級，來向類似的用戶進行推薦。然而，這些系統(tǒng)經(jīng)常受到冷啟動問題的影響，即新項目或用戶缺乏足夠的數(shù)據(jù)來進行準(zhǔn)確的推薦。為了解決這個問題，研究人員開發(fā)了各種方法，如基于內(nèi)容的過濾、矩陣分解、深度學(xué)習(xí)和混合方法，這些方法結(jié)合了額外的信息，如物品屬性、社會網(wǎng)絡(luò)或背景因素，以提高推薦的準(zhǔn)確性和多樣性。
亞馬遜的推薦體系現(xiàn)已成功地運用于全行各業(yè)，涵蓋電商、社交媒介、歌曲、影視、新聞和教育等領(lǐng)域。它采用協(xié)作過濾和基于項目的方法，是商業(yè)推薦系統(tǒng)中最早也是最成功的一個例子。據(jù)估計，亞馬遜的推薦系統(tǒng)產(chǎn)生了大約30%的收入，并大大提高了其客戶的忠誠度和保留率。
同樣，netflix的推薦系統(tǒng)使用了協(xié)作過濾和深度學(xué)習(xí)技術(shù)的組合，對其作為領(lǐng)先的在線流媒體服務(wù)的成功和發(fā)展起到了重要作用。根據(jù)netflix的數(shù)據(jù)，75%的用戶觀看推薦的電影和電視節(jié)目，該系統(tǒng)通過減少用戶流失和提高用戶參與度，為公司每年營收超過10億美元的收入。
.................................
第二章 相關(guān)原理及技術(shù)方法概述
第一節(jié)  卷積神經(jīng)網(wǎng)絡(luò)模型概述
cnn（convolution neural network）是一種用來信息處理二維圖像數(shù)據(jù)信息的神經(jīng)網(wǎng)絡(luò)，它不僅能夠信息處理一維、三位數(shù)據(jù)分析信息，還可以信息處理文字數(shù)據(jù)分析信息，具有強大的計算技術(shù)。卷積神經(jīng)網(wǎng)絡(luò)的名稱來自其結(jié)構(gòu)的核心，即卷積層。在卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)中，"卷積"代表一種線性計算，其中輸入層和卷積核參與了fronbenius內(nèi)積計算。它由輸入層、卷積層、池化層和全連結(jié)層構(gòu)成的復(fù)雜神經(jīng)網(wǎng)絡(luò)，它能夠有效地處理復(fù)雜的信息。在接收到輸入數(shù)據(jù)后，完整的過程沿著輸入層的矢量矩陣在卷積核中滑行，最終形成最后的輸出。值得注意的是，cnn已經(jīng)被提出來用于處理非常大的圖像，并在不同的應(yīng)用中顯示出顯著的成功，包括yann lecun的lenet用于數(shù)字和郵政編碼識別，以及alex krizhevsky等人的alexnet的實現(xiàn)。圖2.1為卷積神經(jīng)網(wǎng)絡(luò)lenet的模型結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)由多個關(guān)鍵組成部分組成，本文將深入探討這些組成部分的特性和功能。

計算機論文怎么寫

卷積層：卷積層是構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的核心層，在前向計算過程中，計算量大都產(chǎn)生于卷積計算。卷積層即可以提取高級特征，例如邊緣和梯度方向；又可以降低參數(shù)量，因為卷積具有共享參數(shù)的能力，通過這個特性減少參數(shù)量，降低運算費用，同時也可以防止過擬合。
池化層：卷積神經(jīng)網(wǎng)絡(luò)中一種重要的結(jié)構(gòu)，它可以有效地縮小數(shù)字體的尺度，進而減少網(wǎng)絡(luò)中參數(shù)的數(shù)量和計算量，而且也可以有效地避免過擬合，因此，它通常被用于多個卷積層之間的連接，以提高網(wǎng)絡(luò)的性能。
全連接層：在全連接層中，神經(jīng)元與前一級的每個激活單元建立了完整的聯(lián)系，這種聯(lián)系使得它能夠像傳統(tǒng)的多層感知器神經(jīng)網(wǎng)絡(luò)一樣，有效地將圖像分類出來。
............................
第二節(jié)  vgg-16模型概述
vgg系列模式是一種廣受歡迎的卷積神經(jīng)網(wǎng)絡(luò)模式，它是由牛津大學(xué)視覺幾何組首次提出的，并在2014年的imagenet圖形定位比賽獲得了驚人的成就，在分類比賽也獲得了第2名的優(yōu)異表現(xiàn)。
vgg16 的簡單在于兩個方面：（1）vgg16 的卷積層使用的卷積核參數(shù)是相同的。設(shè)計者將其卷積核大小設(shè)置為高和寬均為 3 的，將其步長 stride 設(shè)置為 1，填充的方式設(shè)置為 same，這樣就使得卷積的輸入和輸出保持了相同的高和寬；（2）vgg16 的池化層也同樣使用的是一致的池化參數(shù)，并使用最大池化策略。池化核的尺寸設(shè)為 2×2 的，步長stride設(shè)為 2，采用這樣的池化層參數(shù)可以使得輸出尺寸是輸入尺寸的一半。
為了充分理解bert模型，必須全面了解底層transformer結(jié)構(gòu)和bert訓(xùn)練的復(fù)雜細節(jié)。transformer結(jié)構(gòu)是在vaswani中首次提出的，其目的是引入注意力的需求，并利用多頭的自我注意機制建立一個強大的模型。要深入分析bert模型的關(guān)鍵組成部分，就必須全面介紹transformer架構(gòu)、多頭自注意機制以及bert訓(xùn)練的復(fù)雜細節(jié)。轉(zhuǎn)化器的創(chuàng)新設(shè)計使自然語言處理發(fā)生了革命性的變化，它能夠生成高質(zhì)量的上下文嵌入，這已被證明在廣泛的基于語言的任務(wù)中非常有效，包括問題回答和情感分析。了解bert訓(xùn)練的細微差別同樣重要，因為該模型需要使用無監(jiān)督學(xué)習(xí)方法對大量文本數(shù)據(jù)進行預(yù)訓(xùn)練，然后在特定任務(wù)數(shù)據(jù)集上進行微調(diào)。這種錯綜復(fù)雜的訓(xùn)練過程使模型能夠?qū)W習(xí)單詞和句子之間的基本模式和關(guān)系，從而使基于語言的模型的準(zhǔn)確性和穩(wěn)健性得到顯著改善。
.................................
第三章 多模態(tài)特征融合的深度強化學(xué)習(xí)推薦算法 
第一節(jié)  深度強化學(xué)習(xí)的推薦問題 

................................ 
第二節(jié)  電影推薦過程中多模態(tài)特征融合提取框架

 ....................... 

第四章 實驗及結(jié)果分析
第一節(jié)  實驗設(shè)置
一、數(shù)據(jù)集
數(shù)據(jù)集：本研究使用的數(shù)據(jù)集來源于豆瓣電影，包括2019年8月初收集的電影和演員數(shù)據(jù)以及2019年9月初收集的電影評論數(shù)據(jù)（包括用戶、評分和評論）。該數(shù)據(jù)集包括大量的數(shù)據(jù)，共有945萬個數(shù)據(jù)，包括14萬部電影、7萬名演員、63萬名用戶、416萬個電影評分和442萬條電影評論的信息，其中又爬取了相應(yīng)的電影海報數(shù)據(jù)。它是目前中國互聯(lián)網(wǎng)上最全面的電影數(shù)據(jù)集，每部電影最多可以有320個評分，形成了來自600384個用戶的4169420個評分。該數(shù)據(jù)集涵蓋了廣泛的電影，評分范圍從1到5（1代表非常糟糕，5代表強烈推薦）。在這項研究中，4和5的評分被認為是積極的樣本，而其余的被認為是消極的。這些樣本來自不同的領(lǐng)域，數(shù)據(jù)集的大小和稀疏程度也不同。
由于帶有評論的電影推薦數(shù)據(jù)集較少，所以本實驗只使用豆瓣電影的數(shù)據(jù)集。每個用戶對電影的評分被看作顯示反饋，所有的電影按照時間序列排序。用戶按照訪問時間進行排序。其中數(shù)據(jù)集的前70% 做為訓(xùn)練集，之后 20% 是測試集，最后的 10% 是驗證集。

二、對比方法

計算機論文參考

...............................
 第五章 研究結(jié)論、不足與展望
第一節(jié)  總結(jié)
首先本文以推薦算法為研究背景，分析了其在靜態(tài)性與推薦準(zhǔn)確性的問題，從推薦算法對于商業(yè)、用戶與實際情況出發(fā)指出了解決該問題的必要性。為了提高推薦算法的準(zhǔn)確性，緩解數(shù)據(jù)稀少性等問題，本文在前人研究的基礎(chǔ)上利用多模態(tài)的特征提取與負反饋的深度強化學(xué)習(xí)的推薦算法，增加了模型的信息輸入的角度與用戶更好的、動態(tài)的、個性化推薦。
首先，對于推薦算法與深度強化學(xué)習(xí)的模型的研究現(xiàn)狀進行了綜述分析，進一步說明了研究問題的必要性。分析了數(shù)據(jù)來源的特點，并且對建立模型所涉及的基本理論和相關(guān)經(jīng)典模型做了概述。
其次，通過使用卷積神經(jīng)網(wǎng)絡(luò)對基本屬性進行提取，使用bert模型對文本屬性以及使用vgg-16對電影海報數(shù)據(jù)進行特征提取的多模態(tài)特征提取方式來緩解數(shù)據(jù)的稀少，并且完整的對于推薦的內(nèi)容進行詳細的分析，有助于提升推薦算法的準(zhǔn)確性，并且找到用戶跳過所推薦的電影的原因，增加了深度強化學(xué)習(xí)的負反饋的部分，使之動態(tài)交互部分更加豐富，找到用戶不喜歡的原因，從而增加用戶黏度，提高了推薦系統(tǒng)的個性化。
最后，通過使用該模型在豆瓣電影的數(shù)據(jù)集上進行實驗，并且找到了經(jīng)典的推薦算法與其對比，實驗結(jié)論是該模型可以增加推薦的準(zhǔn)確率，提高用戶對推薦系統(tǒng)的滿意度和忠誠度。

第二節(jié)  不足與展望

 ............................. 
參考文獻（略）

本文收集整理于網(wǎng)絡(luò)，如有侵權(quán)請聯(lián)系客服刪除！