|
研究生课程学习情况
按研究生培养计划的要求，已修完32个课程学分。所修课程（学分）如下：
学位课程：中国特色社会主义理论与实践研究（2）、自然辩证法概论（1）、基础英语（3）、
研究生创新课程（1）、研究生创业课程（1）、数值分析（2）、电子信息前沿技术专题（2）、
高等电子电路理论（2）、数字信号处理及应用（2）、通信网络理论基础（2）、现代通信技术（2）；
选修课程：现代通信系统仿真（2）、计算机视觉（2）、数字图像处理（2）、嵌入式系统基础及应用（2）、语音系统处理（2）、随机信号分析（2）
在读期间，积极参与本院举行的各类学术报告活动，并顺利通过了学位论文的开题答辩。
研究工作进展及成果
目前，我完成的工作主要包括：
1. 整理了论文相关的材料，阅读大量国内外相关文献，了解推荐算法的研究现状和发展趋势，掌握目前现有的算法。
2. 采用美国Minnesota大学计算机科学与工程学院GroupLens项目组创办的movielens数据集，了解和学习基于矩阵分解（Matrix Factorization）模型的协同过滤（Collaborative Filtering）算法和基于受限的玻尔兹曼机（Restricted Boltzmann machine, RBM）模型的协同过滤算法。
3. 掌握Based_FunkSVD算法和RBM算法的原理，并对两种算法采用python进行实验仿真
存在的问题以及解决措施
将RBM算法应用于推荐系统时，训练模型时特征的选取？
解决方案：
在RBM算法中，该算法作为一种概率图模型，包含两层结构（可视层和隐藏层），同时只有两种状态值（0或者1），因此在决定将movielens数据集作为输入训练时，训练特征的选取是一个尤为重要的问题，在本次研究中，指定一个阈值threhold，当movielens中用户对电影的评分值大于threhold时，将其设置为1，否则设置为0.以此来确定训练的特征。其实际含义表示当电影的评分大于指定的阈值threhold时，表示用户喜欢该电影，用1来描述喜欢，否则表示用户不喜欢该电影用0来描述。
下一阶段工作计划
2018.12-2019.1 完成基于movielens和Based_FunkVD推荐算法与基于RBM的推荐算法的小型电影推荐系统，根据用户对预测模型预测的结果的反馈，完善和校正RBM算法
2019.2-2019.3 汇总资料和文献，整理试验数据，完成毕业论文第一版的撰写
2019.3-2019.4 在第一版论文基础上，完成论文第二版的撰写
|
