深度学习理论视角下的移动学习推荐系统的设计和研究--《智能计算机与应用》2014年02期
深度学习理论视角下的移动学习推荐系统的设计和研究
【摘要】：计算机技术和通信技术的迅猛发展,促使移动教学和深度学习在教育领域成为新的研究热点。首先阐明了深度学习的内涵和特征,并依此为理论基础,研究和探讨了深度学习在移动推荐系统中的应用,实现移动推荐系统的设计。
【作者单位】：
【关键词】：
【基金】：
【分类号】：TP391.3【正文快照】：
0引言随着推荐技术的不断成熟和移动互联网的迅猛发展,各种移动智能设备在人们的日常生活中开始发挥重要作用,社会发展已经进入移动互联网和大数据时代,传统高等院校教育已经难以满足日益增长的个人学习需求。移动通信技术的发展,智能设备的普及以及移动学习的推广,使人们通过
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
陈意;;[J];江苏广播电视大学学报;2011年01期
宋乐怡;熊辉;张蓉;;[J];华东师范大学学报(自然科学版);2013年03期
孟祥武;胡勋;王立才;张玉洁;;[J];软件学报;2013年01期
张浩;吴秀娟;;[J];中国电化教育;2012年10期
吴怀广;赵家明;;[J];中国电力教育;2013年13期
【共引文献】
中国期刊全文数据库
李凡;陈琳;殷旭彪;;[J];电化教育研究;2012年11期
王玉斌;孟祥武;胡勋;;[J];电子与信息学报;2013年10期
杜娟;李兆君;郭丽文;;[J];电化教育研究;2013年10期
刘宇;邱慧敏;;[J];成人教育;2014年02期
时宇石;;[J];电化教育研究;2014年03期
李若翩;阮雅端;陈启美;;[J];电子测量技术;2014年06期
郭睿南;邱靖;徐明通;浦涛文;谭冠林;;[J];农业网络信息;2012年09期
徐卫东;;[J];江苏广播电视大学学报;2012年05期
姜鹏;许峰;周文欢;;[J];计算机工程与科学;2013年12期
孙光明;王硕;;[J];计算机应用研究;2013年12期
中国博士学位论文全文数据库
史艳翠;[D];北京邮电大学;2013年
刘波;[D];重庆大学;2013年
周全强;[D];燕山大学;2013年
中国硕士学位论文全文数据库
李凡;[D];江苏师范大学;2012年
傅竹伟;[D];苏州大学;2013年
席超;[D];北京邮电大学;2013年
王玉斌;[D];北京邮电大学;2013年
徐佳;[D];广西师范大学;2013年
张朝旭;[D];北京交通大学;2013年
丁岩;[D];河北大学;2013年
阮宗杰;[D];上海师范大学;2013年
吴登能;[D];杭州师范大学;2013年
张文莹;[D];哈尔滨工业大学;2013年
【二级参考文献】
中国期刊全文数据库
张建伟，陈琦;[J];北京师范大学学报(社会科学版);1996年04期
叶成林,徐福荫,许骏;[J];电化教育研究;2004年03期
任剑锋,李克东;[J];电化教育研究;2004年08期
冯锐;任友群;;[J];电化教育研究;2009年02期
王立才;孟祥武;张玉洁;;[J];电子学报;2011年11期
徐风苓;孟祥武;王立才;;[J];电子与信息学报;2011年11期
黄武汉;孟祥武;王立才;;[J];电子与信息学报;2011年12期
叶成林,徐福荫;[J];开放教育研究;2004年03期
贾义敏;詹春青;;[J];开放教育研究;2011年05期
何玲,黎加厚;[J];现代教学;2005年05期
中国硕士学位论文全文数据库
贲爱玲;[D];南京师范大学;2004年
【相似文献】
中国期刊全文数据库
黄晓斌;;[J];大学图书馆学报;2006年01期
游文;叶水生;;[J];计算机技术与发展;2006年09期
王钟庄;邓伦丹;石文兵;;[J];微电子学与计算机;2007年04期
王晗;夏自谦;;[J];中国科技信息;2009年07期
战昱楠;;[J];科技信息;2009年15期
胡炜;;[J];计算机时代;2009年11期
王志军;岳训;付冬菊;苗良;;[J];农业网络信息;2010年01期
黄晓斌;张海娟;;[J];情报理论与实践;2010年08期
谢芳;王波;;[J];计算机应用;2006年S2期
刘燕权;;[J];图书情报工作;2007年12期
中国重要会议论文全文数据库
谢科;刘奕群;岑荣伟;马少平;茹立云;杨磊;;[A];中国计算语言学研究前沿进展（）[C];2011年
尤忠彬;陈越;张英;朱扬勇;;[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年
潘宇;林鸿飞;杨志豪;;[A];第三届学生计算语言学研讨会论文集[C];2006年
何发镁;冯勇;许榕生;王旭仁;;[A];第13届全国计算机、网络在现代科学技术领域的应用学术会议论文集[C];2007年
张光卫;康建初;李鹤松;刘常昱;李德毅;;[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年
王君;许洁萍;;[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年
赵欣;寇纲;邬文帅;卢艳群;;[A];第六届（2011）中国管理学年会论文摘要集[C];2011年
赵立江;何钦铭;;[A];NCIRCS2004第一届全国信息检索与内容安全学术会议论文集[C];2004年
张玉连;张波;张敏;;[A];2005年全国理论计算机科学学术年会论文集[C];2005年
刘咏梅;卢鸿剑;赵振军;张艳龙;;[A];2005中国控制与决策学术年会论文集（下）[C];2005年
中国博士学位论文全文数据库
任磊;[D];华东师范大学;2012年
邓爱林;[D];复旦大学;2003年
张寅;[D];浙江大学;2009年
张尧;[D];哈尔滨工业大学;2013年
陈根浪;[D];浙江大学;2012年
王宏宇;[D];中国科学技术大学;2007年
郁雪;[D];天津大学;2009年
王立才;[D];北京邮电大学;2012年
冷亚军;[D];合肥工业大学;2013年
张富国;[D];江西财经大学;2009年
中国硕士学位论文全文数据库
闫祥雨;[D];太原理工大学;2010年
章晋波;[D];北京邮电大学;2010年
王昆;[D];河北师范大学;2011年
林源;[D];北京林业大学;2010年
林佳雄;[D];暨南大学;2011年
王霞;[D];河海大学;2003年
李惠民;[D];吉林大学;2011年
万宇文;[D];江西师范大学;2003年
刘赫;[D];吉林大学;2005年
王莉红;[D];上海师范大学;2005年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号工具类服务
编辑部专用服务
作者专用服务
基于深度学习的推荐系统研究
如同信息检索系统，推荐系统也是为了解决互联网时代海量数据带来的挑战、为用户带来更好的满意度而发展成的一门交叉研究领域。推荐系统的研究一般包括系统的研究和算法的研究，但是核心研究内容仍为算法研究。推荐系统算法研究常常借鉴与机器学习、人工智能领域的方法，不仅得到了快速发展，同时对其他学科也有很大推动作用。　　本文对目前的推荐系统算法进行研究，研究并分析目前推荐系统的研究现状，同时研究机器学习领域新型的算法，对深度网络学习算法进行深入学习和研究，意在将机器学习领域最近几年最新的算法——深度网络学习算法应用到推荐系统中，以达到改进目前推荐系统算法的目的，使得推荐效果更加智能化和人性化。　　为了达到这个目的，本文从多方面入手，做了众多工作:　　1)从推荐算法的基本研究方法入手，研究分析了基于内容的推荐系统和基于协同过滤的推荐系统，包括基于相似度的最近邻方法、朴素贝叶斯方法、潜在因素的矩阵分解方法，并分析了这些推荐系统算法的优缺点。　　2)本文研究了一个典型的深度网络模型——多层受限波兹曼机组成的深度置信网络（DBN)，不仅利用数学方法对其结构做了非常详细的分析，而且从统计热力学的观点阐述了作为一个自由系统的受限波兹曼机和DBN的物理意义。　　3)本文阐述了两层受限波兹曼机在推荐系统中是如何工作的，受到深度模型在其他领域的应用得到启发，将深度网络与传统协同过滤的方法相结合，建立了一个新的深度混合模型用与推荐系统算法，同时采用有限步吉布斯采样的最小化散度差(Contrastive Divergence)算法对深度模型的似然函数求解，使得训练一个深度网络系统变得可行，并推导似然函数的存在下界，证明多层结构算法的理论有效性。　　4)文章通过在多个标准数据集上，利用传统的方法和自己建立的最新的方法进行一系列实验，通过实验证明了深度网络学习方法在特征提取上具有不错的能力，将其用在推荐算法上比传统的协同过滤方法有更好的抗噪性和有效性。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社Recommender Systems with Deep Learning
Improving Scalability of Personalized Recommendation Systems for Enterprise Knowledge Workers
& Authors: C Verma, M Hart, S Bhatkar, A Parker (2016)
Multi-modal learning for video recommendation based on mobile application usage
& Authors: X Jia, A Wang, X Li, G Xun, W Xu, A Zhang (2016)
Collaborative Filtering with Stacked Denoising AutoEncoders and Sparse Inputs
& Authors: F Strub, J Mary (2016)
Applying Visual User Interest Profiles for Recommendation and Personalisation
& Authors: J Zhou, R Albatal, C Gurrin (2016)
Comparative Deep Learning of Hybrid Representations for Image Recommendations
& Authors: C Lei, D Liu, W Li, Zj Zha, H Li (2016)
Tag-Aware Recommender Systems Based on Deep Neural Networks
& Authors: Y Zuo, J Zeng, M Gong, L Jiao (2016)
Quote Recommendation in Dialogue using Deep Neural Network
& Authors: H Lee, Y Ahn, H Lee, S Ha, S Lee (2016)
Toward Fashion-Brand Recommendation Systems Using Deep-Learning: Preliminary Analysis
& Authors: Y Wakita, K Oku, K Kawagoe (2016)
Word embedding based retrieval model for similar cases recommendation
& Authors: Y Zhao, J Wang, F Wang (2016)
ConTagNet: Exploiting User Context for Image Tag Recommendation
& Authors: Ys Rawat, Ms Kankanhalli (2016)
Wide & Deep Learning for Recommender Systems
& Authors: Ht Cheng, L Koc, J Harmsen, T Shaked, T Chandra& (2016)
On Deep Learning for Trust-Aware Recommendations in Social Networks.
& Authors: S Deng, L Huang, G Xu, X Wu, Z Wu (2016)
A Survey and Critique of Deep Learning on Recommender Systems
& Authors: L Zheng (2016)
Collaborative Filtering and Deep Learning Based Hybrid Recommendation for Cold Start Problem
& Authors: J Wei, J He, K Chen, Y Zhou, Z Tang (2016)
Collaborative Filtering and Deep Learning Based Recommendation System For Cold Start Items
& Authors: J Wei, J He, K Chen, Y Zhou, Z Tang (2016)
Deep Neural Networks for YouTube Recommendations
& Authors: P Covington, J Adams, E Sargin (2016)
Towards Latent Context-Aware Recommendation Systems
& Authors: M Unger, A Bar, B Shapira, L Rokach (2016)
Automatic Recommendation Technology for Learning Resources with Convolutional Neural Network
& Authors: X Shen, B Yi, Z Zhang, J Shu, H Liu (2016)
Tag-Aware Personalized Recommendation Using a Deep-Semantic Similarity Model with Negative Sampling
& Authors: Z Xu, C Chen, T Lukasiewicz, Y Miao, X Meng (2016)
Latent Factor Representations for Cold-Start Video Recommendation
& Authors: S Roy, Sc Guntuku (2016)
Convolutional Matrix Factorization for Document Context-Aware Recommendation
& Authors: D Kim, C Park, J Oh, S Lee, H Yu (2016)
Conversational Recommendation System with Unsupervised Learning
& Authors: Y Sun, Y Zhang, Y Chen, R Jin (2016)
RecSys& 16 Workshop on Deep Learning for Recommender Systems (DLRS)
& Authors: A Karatzoglou, B Hidasi, D Tikk, O Sar (2016, Workshop proceedings)
Ask the GRU: Multi-task Learning for Deep Text Recommendations
& Authors: T Bansal, D Belanger, A Mccallum (2016)
Recurrent Coevolutionary Latent Feature Processes for Continuous-Time Recommendation
& Authors: H Dai, Y Wang, R Trivedi, L Song (2016)
Keynote: Deep learning for audio-based music recommendation
& Authors: S Dieleman (2016)
Tumblr Blog Recommendation with Boosted Inductive Matrix Completion
& Authors: D Shin, S Cetintas, Kc Lee, Is Dhillon (2015)
Deep Collaborative Filtering via Marginalized Denoising Auto-encoder
& Authors: S Li, J Kawale, Y Fu (2015)
Learning Image and User Features for Recommendation in Social Networks
& Authors: X Geng, H Zhang, J Bian, Ts Chua (2015)
UCT-Enhanced Deep Convolutional Neural Network for Move Recommendation in Go
& Authors: S Paisarnsrisomsuk (2015)
A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems
& Authors: A Elkahky, Y Song, X He (2015)
It Takes Two to Tango: An Exploration of Domain Pairs for Cross-Domain Collaborative Filtering
& Authors: S Sahebi, P Brusilovsky (2015)
Latent Context-Aware Recommender Systems
& Authors: M Unger (2015)
Learning Distributed Representations from Reviews for Collaborative Filtering
& Authors: A Almahairi, K Kastner, K Cho, A Courville (2015)
A Collaborative Filtering Approach to Real-Time Hand Pose Estimation
& Authors: C Choi, A Sinha, Jh Choi, S Jang, K Ramani (2015)
Collaborative Deep Learning for Recommender Systems
& Authors: H Wang, N Wang, Dy Yeung (2014)
CARS2: Learning Context-aware Representations for Context-aware Recommendations
& Authors: Y Shi, A Karatzoglou, L Baltrunas, M Larson, A Hanjalic (2014)
Relational Stacked Denoising Autoencoder for Tag Recommendation
& Authors: H Wang, X Shi, Dy Yeung (2014)
阅读(...) 评论()深度学习在推荐系统中可以有哪些应用_百度知道
深度学习在推荐系统中可以有哪些应用
Spotify还有Google的一些工作。
答案里有提到Netlifx，但正在做的公司一大堆，没办法。现在做深度学习潮嘛。我不直接复制过来quora上有个答案，Has there been any work on using deep learning for recommendation engines?，自己看。感觉虽然成功的应用不多
VpnVip资讯教程，软件使用平台。
操作系统/系统故障
为您推荐：
其他类似问题
您可能关注的内容
等待您来回答