基于项目特征和用户偏好的新闻推荐系统设计与实现
这是一篇关于未来影响,用户偏好,深度学习,序列化推荐,推荐系统的论文, 主要内容为大量用户正在通过在线新闻媒体网站获取新闻,面对海量的新闻数据,用户往往会陷入选择困境。此时,媒体需要考虑如何准确高效的为用户提供个性化的推荐。本研究的主要任务就是利用新闻的特点和用户的历史记录,为用户提供精准的新闻推荐,以提高用户的满意程度和系统性能。(1)为了解决用户的冷启动问题,对于新用户进行推荐,以及用于新闻头版头条新闻的设置。本文提出了一种基于新闻特征的最高未来影响力的推荐模型,使用最小二乘模型利用新闻过去的阅读量,新闻类别等特征预测新闻的未来阅读量,排序之后生成用户推荐列表。(2)为了计算用户的偏好,按照用户的浏览记录对其进行个性化的推荐。本文提出了一种基于用户偏好的深度知识感知网络模型(UP-DKN),用于点击率的预测。对于用户阅读记录中的不同新闻,赋予不同的权重,UP-DKN主要是利用了知识感知卷积神经网络(KCNN),实现了一个单词向量、实体向量以及权重向量对齐的网络。(3)为了解决用户的偏好转移问题,在本文中提出了基于项目特征的序列化层次注意力网络推荐模型(IFSHAN)。具体来说,第一层注意力层基于历史的浏览记录,学习用户长期偏好,第二层通过耦合用户长期和短期偏好,输出最终的用户表征。(4)在上述的三种推荐模型的基础上,本文设计并实现了新闻推荐原型系统,能够有效的解决用户的冷启动问题以及为用户提供个性化的推荐,提升推荐的准确率,以此获得更好的用户体验。
融合情境感知的小程序推荐平台研究与实现
这是一篇关于小程序推荐,情境感知,意图识别,知识图谱,序列化推荐的论文, 主要内容为小程序作为一种全新的应用形态,自打一出现就广受关注。它轻量快捷,无需繁琐配置;简单高效,基本可以做到“用完即走”。优秀的应用体验促进了小程序的快速增长,与此同时,海量小程序下的用户推荐问题也日益凸显:在解决一个临时性需求时,用户无法快捷找到所需的小程序;并且在推荐服务中,用户期待一种更为自然直接的交互方式。因此,如何结合小程序的情境化服务特点,并改进推荐交互方式,以实现小程序的个性化推荐成为本文研究探索的主要内容。本文首先对小程序推荐的相关理论技术进行了文献研究,主要包括移动应用的推荐以及融合情境感知的推荐等。随后,分别对用户、小程序和情境进行了建模,具体包括:对小程序自身与其相互关系进行特征提取,并构建了基于知识图谱的小程序特征模型;对用户进行了融合多源标签的用户画像建模;对情境设计了基于活动理论的情境感知框架并完成了情境本体建模。其次,为了满足用户多样的推荐服务需求设计了相应的混合推荐策略,包括面向冷启动的小程序初始化推荐、基于用户-小程序-情境三维关联模型的个性化推荐,以及改进推荐展示结果的小程序序列化推荐。最后,设计开发了搭载对话推荐模块的小程序推荐聚合原型系统。其中对话推荐模块采用了任务型对话的相关技术,通过捕捉用户对话意图以确定用户需求并实现小程序推荐。在小程序推荐平台原型系统基本完成后,本文依据平台功能结构依次进行了相应测试。测试表明平台运转正常,其中通过融合情境维度可以有效改进小程序的推荐效果,而对话推荐的交互模式也极大地提升了用户的使用体验。
高阶马尔科夫链的序列化推荐方法研究
这是一篇关于协同过滤,序列化推荐,高阶马尔科夫链,隐式反馈的论文, 主要内容为伴随信息技术的蓬勃发展,人们逐渐从信息匮乏的时代步入了信息过载的时代,如何从海量数据中帮助目标用户发现感兴趣的信息已成为学术界和工业界亟待解决的问题。在此背景下,推荐系统应运而生,已成为缓解信息过载问题的有效工具。推荐系统可视为信息生产者与用户之间的桥梁,其通过挖掘用户的历史行为信息来建模用户的偏好,进而向用户提供可能感兴趣的信息列表。推荐技术的深入研究不仅可以提升用户的体验感,而且能够为商家带来可观的利润。传统推荐方法因潜在假定用户的兴趣一成不变,而导致无法获得满意的推荐结果。序列化推荐方法基于用户行为之间的时序关系同时刻画了用户的长期和短期兴趣,从而获得更准确的推荐结果。分解个性化马尔科夫链的方法因违反三角不等式而限制了模型的泛化能力。近些年,简单而高效的平移推荐方法为缓解该问题带来些许曙光。然而,该方法仅借助目标用户最近一次的行为信息来建模短期兴趣,这将无法权衡用户的长短期偏好对于用户未来决策的影响。针对这一问题,本文的贡献点主要体现在以下3个方面:1)提出一种面向高阶马尔科夫链的序列化推荐方法,在Trans Rec方法基础之上显式建模了用户的高阶时序信息。该方法将所有物品和用户嵌入到一个欧式空间中,并在该空间中借助用户近期的多次交互行为构建了一个个性化的平移向量,从而达到平移向量中编码更多有关该用户短期偏好的信息。2)针对如何整合用户的高阶时序信息这一问题,分析了常见的最大池化和平均池化两种聚合策略的不足之处,进而设计一种自适应权重机制;该机制有能力学习出不同时刻下不同物品对于目标用户短期兴趣的贡献度。3)在4个真实数据集上的实验表明,本文所提出的方法在2个评价指标(HR和NDCG)上的推荐结果显著优于当前的协同过滤方法,同时验证了在平移向量中整合高阶时序信息的必要性与合理性。
基于序列化推荐算法的电影推荐系统的设计与实现
这是一篇关于深度学习,序列化推荐,注意力机制,推荐系统的论文, 主要内容为随着互联网的飞速发展,信息爆炸时代扑面而来,信息过载问题也日益严重。作为缓解信息过载的一个重要工具,推荐系统可以充分理解用户和项目,为用户推荐最符合其需求的项目,减少处理信息的时间与成本。虽然目前已有多个可以提供电影推荐功能的软件,但由于商业考量等原因,其推荐功能主要为其商业目标服务,并且需要用户完整接受其除推荐外的各种其他功能服务,过于冗余。此外,传统的推荐算法往往将用户的历史交互记录看成一个集合,对项目之间的顺序关系的挖掘不充分,对用户兴趣理解不足。基于上述问题,本文深入研究了序列化推荐算法,并结合所提出的新算法设计实现了一个电影推荐系统,以用户体验为首要目标,足够轻量,只专注于为用户提供符合其兴趣偏好的电影推荐。本文的主要工作和创新点如下:(1)提出了用于序列化推荐任务的基于长短期兴趣的注意力网络模型——LSISA,该模型使用注意力网络来联合建模用户的长短期兴趣,并用序列建模的方式建模用户长期兴趣的演进情况。在四个真实世界的公开数据集上的实验结果表明,LSISA有效提升了推荐的准确性。(2)单独的推荐算法难以在工业界的复杂场景中直接落地,因此论文设计实现了一个完整的推荐链路以保证推荐效果的稳定性。将整个推荐过程划分为召回、排序两个阶段实现对候选集的过滤筛选,将LSISA作为主召回算法,搭配规则召回和通用向量化召回算法构成多路并行召回,使用DIEN算法作为主排序算法实现对项目的排序。(3)设计并实现了一个轻量化的电影推荐系统——知影电影推荐系统。依照软件工程的系统开发流程,通过需求分析、概要设计、系统的功能模块划分与详细设计以及对系统的开发和测试实现了系统。本系统前端分别基于微信小程序和Vue框架,后端基于SpringBoot框架实现前后端分离,算法模块采用微服务的方式提供服务,数据库使用Mysql和Redis分别对不同类型的数据进行存储。系统开发了核心的推荐模块用于提供推荐功能,并开发了用户模块、电影信息模块和管理模块三个基本功能模块保证系统的正常使用。最终系统测试的结果表明系统符合最初预期,可以满足用户需求,为用户提供符合其兴趣的电影推荐建议。本文在上述研究内容和工作的基础上设计并实现了电影推荐系统——知影电影推荐系统。通过最终对系统的功能和性能测试表明:该系统专注于电影推荐功能,具有较好的推荐准确度,并且直接基于微信小程序,降低了用户的使用负担,实现了轻量化,具有较好的实用价值。
基于深度语义挖掘的新闻推荐方法研究
这是一篇关于新闻推荐,语义挖掘,深度学习,注意力机制,序列化推荐的论文, 主要内容为日益繁荣的互联网逐渐改变了人们寻找和阅读新闻的方式,越来越多的新闻读者倾向于在网上阅读新闻,然而互联网提供的数据量远远超过用户可以接受和处理的范围,由此产生信息过载问题。推荐系统是一种有效的解决方式,它通过帮助用户快速定位其感兴趣的项目而被广泛应用于互联网在线服务。新闻推荐作为推荐领域的一部分,已经成为当前的一个研究热点。新闻的重要语义特征通常隐含在不同粒度的文本段中,目前大多数新闻推荐方法通常会忽视对新闻项特征进行细粒度的建模,难以充分挖掘潜在的语义信息。此外,用户兴趣具有动态迁移性,用户的某些兴趣可能持续很长时间,也可能由特定的上下文或者临时的需求触发。然而,大多数方法将用户会话视为单个序列,忽略了用户兴趣在不同会话之间的演变和关联。针对以上问题,本文对新闻推荐展开研究,提出基于深度语义挖掘的新闻推荐方法,主要工作如下:首先,在推荐召回阶段,本文提出了一种基于文本语义挖掘的候选召回方法。该方法首先基于词向量表示通过对新闻项中包含的实体进行提取获得词级语义特征。同时,基于卷积神经网络获取句级语义特征,进而从多个语义视图中学习新闻标题的表示形式。然后,基于神经主题模型对新闻文本内容进行建模,并设计了一个多主题捕捉模块,通过将相似主题进行自适应的聚合为主题表示向量,从而识别用户所隐含的阅读兴趣。最后,将注意力机制分别应用到新闻标题和文本主题上更好的建模用户的潜在偏好,实现候选新闻项的召回。其次,在推荐排序阶段,本文提出了一种基于深度兴趣感知的新闻推荐方法,该方法侧重于用户的序列化行为模式。首先,在召回阶段的基础上利用卷积神经网络完成对新闻特征的提取;然后,在兴趣感知注意力层利用门控循环单元和自注意力机制对不同时期的用户行为序列进行建模;最后,在会话感知注意力层通过注意力机制来学习当前会话和历史会话之间用户兴趣的相关程度,并融合不同时期的用户兴趣完成对候选新闻项的点击率预测,实现新闻推荐。最后,本文设计并构建了基于深度语义挖掘的新闻推荐原型系统。原型系统的构建包含需求分析、总体设计、详细设计等步骤,详细介绍了该原型系统的总体结构,各模块功能以及具体的操作流程,通过效果展示体现了基于深度语义挖掘的新闻推荐方法在实际应用场景中的可行性和有效性。
高阶马尔科夫链的序列化推荐方法研究
这是一篇关于协同过滤,序列化推荐,高阶马尔科夫链,隐式反馈的论文, 主要内容为伴随信息技术的蓬勃发展,人们逐渐从信息匮乏的时代步入了信息过载的时代,如何从海量数据中帮助目标用户发现感兴趣的信息已成为学术界和工业界亟待解决的问题。在此背景下,推荐系统应运而生,已成为缓解信息过载问题的有效工具。推荐系统可视为信息生产者与用户之间的桥梁,其通过挖掘用户的历史行为信息来建模用户的偏好,进而向用户提供可能感兴趣的信息列表。推荐技术的深入研究不仅可以提升用户的体验感,而且能够为商家带来可观的利润。传统推荐方法因潜在假定用户的兴趣一成不变,而导致无法获得满意的推荐结果。序列化推荐方法基于用户行为之间的时序关系同时刻画了用户的长期和短期兴趣,从而获得更准确的推荐结果。分解个性化马尔科夫链的方法因违反三角不等式而限制了模型的泛化能力。近些年,简单而高效的平移推荐方法为缓解该问题带来些许曙光。然而,该方法仅借助目标用户最近一次的行为信息来建模短期兴趣,这将无法权衡用户的长短期偏好对于用户未来决策的影响。针对这一问题,本文的贡献点主要体现在以下3个方面:1)提出一种面向高阶马尔科夫链的序列化推荐方法,在Trans Rec方法基础之上显式建模了用户的高阶时序信息。该方法将所有物品和用户嵌入到一个欧式空间中,并在该空间中借助用户近期的多次交互行为构建了一个个性化的平移向量,从而达到平移向量中编码更多有关该用户短期偏好的信息。2)针对如何整合用户的高阶时序信息这一问题,分析了常见的最大池化和平均池化两种聚合策略的不足之处,进而设计一种自适应权重机制;该机制有能力学习出不同时刻下不同物品对于目标用户短期兴趣的贡献度。3)在4个真实数据集上的实验表明,本文所提出的方法在2个评价指标(HR和NDCG)上的推荐结果显著优于当前的协同过滤方法,同时验证了在平移向量中整合高阶时序信息的必要性与合理性。
图结构在推荐系统中的应用研究
这是一篇关于推荐系统,序列化推荐,跨域推荐,图神经网络,异质图,元路径的论文, 主要内容为互联网的不断发展使得人们可以在网络上获取到海量的各种形式的信息,极大地丰富和便利了人们的生活。但与此同时,过量的信息也使得人们在寻求自己需要和感兴趣的内容时消耗大量精力。推荐系统旨在为用户个性化地推荐他们所感兴趣的物品或信息,以缓解信息过载问题。推荐场景中用户和物品之间的交互行为可以构成丰富的图结构,这些图结构包含的信息可以进一步提升推荐系统的性能。其中在序列化推荐和跨域推荐两个场景上,图结构的应用存在天然的优势。序列化推荐旨在建模用户短期内的动态偏好,而非仅考虑用户较为长期静态的偏好。序列化推荐任务除了给定用户和目标物品,还给定由用户交互过的物品所构成的行为序列,通过对用户的历史行为序列的建模来学习到序列中的依赖关系以及序列中物品与目标物品间的匹配关系。现有的方法通过序列化建模的手段来构建起行为序列中的物品以及目标物品之间复杂的联系,进而从中挖掘出这些有联系的物品所体现出的匹配模式。然而,这些方法都没能显式地建模这些物品之间的高阶协同相似关系。这些高阶协同相似关系能体现出物品之间更加深入和复杂的联系,忽略了对这些关系的显式建模,将会导致物品之间的匹配模式有所缺失进而使得模型推荐的性能不够理想。跨域推荐旨在额外引入一个相关领域的知识与信息以缓解当前领域上的数据稀疏性问题。在跨域推荐中,将当前需要处理的领域称为目标领域,往往利用一个相关的源领域的交互来提升目标领域的效果,或者实现相互提升。传统的方法主要基于映射或者迁移的方式,而忽略了高阶信息的建模。近期,部分方法引入图神经网络来建模跨域的高阶信息,得到了较好的效果。但是,因为跨域推荐中,不同领域的物品是完全不同类型的节点,这样的异质性导致直接在图上进行聚合以捕获高阶信息时往往会得到一个杂糅且包含噪声的表示。而且,跨域推荐中不同领域间的用户偏好也有所差别,所以以同样的处理方式对待跨领域信息和领域内信息会进一步加重跨域推荐中的异质性问题。上述序列化推荐和跨域推荐中的问题,都是图结构在推荐系统中进行应用的重要问题,针对于这些问题,本文分别展开了研究,主要工作包括:对于序列化推荐任务,针对其缺乏高阶协同相似关系建模的问题,提出了基于图神经网络增强的序列化推荐模型。该模型首先基于用户的历史行为序列,将一定大小窗口内的物品连边得到物品关系图,图中包含了物品之间一定邻近时间范围内的高阶协同相似关系。之后,利用图注意力网络在物品关系图上进行聚合以捕获高阶信息,得到包含高阶信息的物品表示。再将包含丰富高阶信息的物品表示送入门控循环单元和序列注意力机制进行序列化建模,以学习到更加丰富的物品之间的依赖关系和匹配模式。对于跨域推荐任务,针对其建模图上的高阶信息时忽略节点间和领域间异质性的问题,提出基于元路径的跨域注意力网络。其首先将目标领域和源领域上的交互行为构建成一个联合交互图,该图是一个包含三种不同类型节点的异质图。之后,利用定义好的元路径来对基于元路径的邻居进行聚合以得到包含高阶信息的节点表示,且不受节点异质性问题的影响。这些元路径中包括领域内元路径和跨领域元路径,模型利用领域内元路径进行聚合,得到的表示再作为一个增强的查询向量去指导跨领域元路径的聚合,这样可以使得包含更多噪声的跨领域信息被进一步过滤。跨领域元路径聚合时,还需要对邻居表示进行额外的变换,进一步缓解领域间的异质性。本文围绕图结构在推荐系统中的应用进行展开,在序列化推荐和跨域推荐两个子任务上分别进行了针对性的改进并提出对应的模型结构。在两个任务上的充分实验和针对性的比较分析,分别证实了本文提出的模型的有效性。
基于序列化推荐算法的电影推荐系统的设计与实现
这是一篇关于深度学习,序列化推荐,注意力机制,推荐系统的论文, 主要内容为随着互联网的飞速发展,信息爆炸时代扑面而来,信息过载问题也日益严重。作为缓解信息过载的一个重要工具,推荐系统可以充分理解用户和项目,为用户推荐最符合其需求的项目,减少处理信息的时间与成本。虽然目前已有多个可以提供电影推荐功能的软件,但由于商业考量等原因,其推荐功能主要为其商业目标服务,并且需要用户完整接受其除推荐外的各种其他功能服务,过于冗余。此外,传统的推荐算法往往将用户的历史交互记录看成一个集合,对项目之间的顺序关系的挖掘不充分,对用户兴趣理解不足。基于上述问题,本文深入研究了序列化推荐算法,并结合所提出的新算法设计实现了一个电影推荐系统,以用户体验为首要目标,足够轻量,只专注于为用户提供符合其兴趣偏好的电影推荐。本文的主要工作和创新点如下:(1)提出了用于序列化推荐任务的基于长短期兴趣的注意力网络模型——LSISA,该模型使用注意力网络来联合建模用户的长短期兴趣,并用序列建模的方式建模用户长期兴趣的演进情况。在四个真实世界的公开数据集上的实验结果表明,LSISA有效提升了推荐的准确性。(2)单独的推荐算法难以在工业界的复杂场景中直接落地,因此论文设计实现了一个完整的推荐链路以保证推荐效果的稳定性。将整个推荐过程划分为召回、排序两个阶段实现对候选集的过滤筛选,将LSISA作为主召回算法,搭配规则召回和通用向量化召回算法构成多路并行召回,使用DIEN算法作为主排序算法实现对项目的排序。(3)设计并实现了一个轻量化的电影推荐系统——知影电影推荐系统。依照软件工程的系统开发流程,通过需求分析、概要设计、系统的功能模块划分与详细设计以及对系统的开发和测试实现了系统。本系统前端分别基于微信小程序和Vue框架,后端基于SpringBoot框架实现前后端分离,算法模块采用微服务的方式提供服务,数据库使用Mysql和Redis分别对不同类型的数据进行存储。系统开发了核心的推荐模块用于提供推荐功能,并开发了用户模块、电影信息模块和管理模块三个基本功能模块保证系统的正常使用。最终系统测试的结果表明系统符合最初预期,可以满足用户需求,为用户提供符合其兴趣的电影推荐建议。本文在上述研究内容和工作的基础上设计并实现了电影推荐系统——知影电影推荐系统。通过最终对系统的功能和性能测试表明:该系统专注于电影推荐功能,具有较好的推荐准确度,并且直接基于微信小程序,降低了用户的使用负担,实现了轻量化,具有较好的实用价值。
基于有向无向图融合的图神经网络会话推荐研究
这是一篇关于序列化推荐,会话推荐,图神经网络,注意力机制的论文, 主要内容为互联网技术的迅速发展,互联网信息体量指数增长,推荐系统成为帮助用户减轻信息过载问题、快速挖掘感兴趣信息的基础手段,基于会话的推荐问题也逐渐成为主要研究方向之一。会话推荐旨在通过会话数据来对短时会话中的当前用户行为进行预测。现有方法多将会话数据处理为序列数据,对其建模进而提取得到其特征表示进行推荐,虽然取得了一定的效果,但是忽略了复杂的交互和属性关系,对会话中用户的偏好把握准确性不足。为了在捕获精准用户特征同时考虑与会话中对象复杂的交互和属性关系,受到图神经网络的启发,提出基于有向无向图融合的图神经网络会话推荐模型,简称SRMGF模型。提出有向无向图融合的图神经网络进行建模,实现会话中节点的特征提取。构建基于交互关系的有向图以捕获会话的序列特征和对象间复杂的交互特征,构建基于属性关系的无向图以捕获会话对象的上下文关联特征。设计融合全局和局部信息的注意力机制,生成不同意义的会话级特征,以表示用户的当前兴趣和全局兴趣。利用宏观关联信息对特征进行补充,更好地针对会话场景偶然性、随机性特征,提升模型针对会话推荐场景的适应性和稳定性。最后,在两个真实场景数据集上开展多个实验,模型在两个主要指标上均优于主流对比模型。通过消融实验和超参实验也证明模型各模块和参数设置适用且有效。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://bishedaima.com/lunwen/46228.html
