基于网络表示学习的推荐算法研究
这是一篇关于推荐算法,网络表示学习,随机游走,卷积神经网络,协同过滤的论文, 主要内容为随着互联网技术与移动通信技术的快速发展,空前发达的信息化时代在丰富与方便了人们生活的同时,也带来了信息过载的问题。推荐系统,作为解决信息过载问题的有效方法,能够帮助用户进行信息过滤,并提供精确且有针对性的推荐服务,现已经被广泛的应用到电子商务、社交、影音娱乐等领域中。近些年有关网络表示学习技术的研究取得了突出成果,其对网络结构信息的表示能力为推荐算法的研究提供了新思路。本文以网络表示学习与推荐算法为研究内容,旨在利用网络表示学习技术提升推荐算法的性能,增强推荐算法的可扩展性,主要工作如下。针对同质网络下的推荐问题,本文提出了一种改进的基于随机游走的网络学习方法(Random walk based Attribute Network Embedding,RANE),该算法修正了随机游走的采样结果并在节点表示学习部分利用了节点的属性信息。具体来说,在随机游走部分,提出根据节点的重要性分配每个节点的游走次数,并以一定概率控制游走生成长度不同的序列;在表示学习部分,以Skip Gram模型为基础,综合考虑上下文节点与中心节点距离的影响,提出了可以融合节点属性信息的节点向量学习模型。最后将其应用在推荐任务中,在多个公开数据集上通过对比实验表明该算法可以有效提升算法的推荐精度,并在冷启动推荐问题中取得了良好的效果。针对用户-物品二分网络下的推荐问题,本文提出了一种基于网络表示学习的卷积协同过滤推荐算法(Bipartite Network Convolutional Collaborative Filtering,Bi-NCCF)。具体来说,该算法首先将二分网络分解成用户、物品同质网络,继而在两个同质网络中利用Graph SAGE算法分别得到结合了网络空间信息与属性信息的用户、物品特征向量,并通过外积运算丰富用户、物品特征向量各维度的相关表示,最后设计卷积神经网络学习用户与物品间的复杂交互信息,由训练得到模型预测用户与物品的交互概率,实现Top-N推荐。在多个公开数据集上经对比实验,验证了算法的可行性与有效性。
基于异质信息网络表示学习的推荐算法研究
这是一篇关于异质信息网络,网络表示学习,推荐算法,深度学习,多样化推荐的论文, 主要内容为随着网络技术的快速发展和网络信息规模的爆炸式增长,推荐系统可以被看作成一种高质量的信息过滤器,用来将用户和资源相匹配,大部分的网络平台或社交媒体都拥有着特有的个性化推荐系统。最新的推荐系统利用了多种多样的辅助数据,可以缓解传统推荐算法存在的数据稀疏和冷启动问题并提高推荐性能,但这类数据常伴有大量不利于推荐的噪声数据。同时,在推荐系统中对这些异质的数据信息和它们之间复杂的关系信息进行建模和利用是非常困难的。在此基础上,大量的推荐研究始终将推荐算法准确性的提升作为主要目标,推荐目标单一。因此,现有的推荐算法面临存在大量噪声数据阻碍推荐、建模用户偏好的精准度不足、推荐目标缺乏多样化等问题。面对这些问题,本文基于异质信息网络(HIN)表示学习推荐算法,首先提出异质社交影响协同去噪注意神经网络(HSCD),致力于提升推荐算法的准确性。同时,本文还提出了一个异质图卷积协同过滤对抗(GCAD)的多样化推荐算法模型,致力于提升推荐算法的多样化。(1)本文的研究一提出了一种异质社交影响协同去噪注意神经网络(HSCD)解决方案。为了充分利用HIN中低阶和高阶结构的语义信息,HSCD模型通过特征聚合函数学习用户和项目嵌入表示,并利用双重注意力机制整合并捕捉了不同类型的社交影响力。同时,研究一采用了自适应去噪训练策略,在训练过程中自适应地识别和修剪噪声干扰,以提高推荐的效率。在真实数据集上的实验表明,研究一提出的HSCD模型的性能较之其他方法具有显著优势。(2)本文的研究二对比分析了现有的和最新的多样化算法。针对存在的问题,提出了一个异质图卷积协同过滤对抗(GCAD)的多样化推荐算法模型。在本研究的工作中,主要目标是基于推荐模型准确性相对稳定的情况下,有效提升推荐项目的类别多样化。首先,使用图卷积模块对HIN中的边分解,采用异质图卷积协同过滤方法,对用户偏好的潜在影响成分进行建模、分解、组合等过程,更深层次地挖掘用户偏好,有效保证了模型的准确性及可解释性。其次,GCAD模型采用了类别增强的负采样策略和对抗学习模块,可以提高那些相关但为消极项目的采样概率并学习嵌入空间中的隐式类别偏好,以提供更多样化的推荐结果。最后,通过利用三个真实数据集进行多组实验,证明了本研究提出的GCAD模型的有效性。
基于动态异质网络表示学习的链路预测方法研究与应用
这是一篇关于网络表示学习,链路预测,元路径,多层注意力,动态异质网络的论文, 主要内容为网络表示学习的目标是在有效保留网络信息的前提下将节点映射到低维向量空间进行表示,从而支撑网络数据挖掘的众多下游任务,如链路预测、节点分类等。网络表示学习已经成为网络分析领域的研究热点。现有的网络表示学习方法主要面向静态同质网络进行设计,然而现实世界中的网络通常是包含多种类型节点和链路的异质网络且网络结构随时间不断变化的动态网络,如电商网络、社交网络等。静态同质网络建模方法忽略了异质网络中丰富的语义信息和动态网络中的时序演化信息,难以学习到全面而有效的网络嵌入。此外,现实世界中普遍存在的网络稀疏性问题使得基于邻域聚合的网络表示学习方法难以捕获足够的邻域特征从而影响模型的实际应用效果。针对上述网络表示学习领域存在的问题,本文面向链路预测任务提出了一种基于元路径增强视图与多层注意力机制的动态异质网络表示学习模型Dy HAMP(Dynamic Heterogeneous Network Representation Learning Using Hierarchical Attention with Meta-path Enhanced View for Link Prediction)。该模型首先使用元路径增强视图模块对原始网络关系视图进行增强以得到更为稠密的网络数据,然后基于多层注意力模块提取增强网络中丰富的信息从而学习有效的网络嵌入,最后使用网络嵌入作为样本特征训练二分类器完成链路预测任务。Dy HAMP具体解决了以下问题:针对网络稀疏性问题,在元路径增强视图模块中通过添加辅助链路的方式将相应元路径实例上的节点引入到起始节点的一阶邻域从而增加网络链路数,提升网络稠密度;针对网络信息丢失问题,基于动态异质图进行网络数据建模以保留复杂网络中丰富的信息并基于多层注意力模块完成信息捕获,该模块中的结构注意力层用于捕获局部结构特征,视图注意力层用于捕获语义信息,时序注意力层用于捕获时序演化信息。本文在多个电商网络数据集和社交网络数据集上进行了广泛的对比实验。结果表明,Dy HAMP在链路预测任务的核心指标上优于多个主流模型。此外,本文设计了多组参数敏感性分析实验和消融实验,分析了核心超参数对模型的影响并验证了元路径增强视图模块和多层注意力模块的有效性。最后,基于Dy HAMP,本文设计并实现了一个直播电商商品推荐原型系统,为直播电商平台提供了一种新颖的推荐系统解决方案。
基于网络表示学习的推荐算法研究
这是一篇关于推荐算法,网络表示学习,多层网络,属性网络,随机游走的论文, 主要内容为随着计算机与移动通信技术的不断发展,人们可以便利地获取各种信息资源,但同时人们也在不断产生着海量的数据,信息过载问题日益严重。推荐算法可以帮助人们对海量信息进行过滤筛选,为用户提供其感兴趣的内容,目前已经成功应用至电商平台、影音娱乐、社交网络等领域。近年来,网络表示学习技术相关研究日趋火热,其优秀的节点表示能力为推荐算法的研究打开了新的方向。然而,在真实世界的复杂网络系统中,节点之间通常包含多种相互影响的不同类型关系,简单单层网络不足以精确地对其进行刻画。此外,节点通常还包含额外的属性信息,如何利用好这些辅助信息提升算法的性能也成为当前研究的一大挑战。针对上述问题,本文立足于多层网络与属性网络,利用网络表示学习技术,增强推荐算法的性能及扩展性,主要工作如下:(1)针对多层网络下的推荐问题,本文提出一种融合结构熵信息的多层网络表示学习模型MNESE,将多层网络作为整体进行研究,综合考虑节点的局部与整体结构信息,分别以节点局部结构熵与网络标准结构熵引导层内与层间游走过程;随后,利用skip-gram模型根据采样后的节点序列学习节点向量表示;最后,根据节点的嵌入向量计算相似度,根据节点相似度完成推荐任务,并在五个真实多层网络数据集上进行链路预测实验,对比经典与当前主流模型,本文提出方法的性能提升了5%至10%,证明了随机游走引导信息的有效性。(2)针对属性网络,本文提出一种结合节点属性信息的推荐算法。首先利用自动编码器对节点属性向量进行升维或降维处理,使其与节点嵌入维度保持一致,便于后续节点向量嵌入过程;其次,采用节点局部结构熵信息引导网络上的随机游走,生成高质量节点采样序列;随后,对skip-gram模型进行了改进,融合节点属性向量,使其加入节点嵌入的训练过程;最后,使用链路预测任务开展实验验证。本文在三个公开真实属性网络数据集上进行实验,并与经典算法进行对比,所提出方法的性能获得了不同程度的提升,表明本文算法可以提升节点嵌入向量质量,并应用于推荐模型。
基于网络嵌入的农产品销售途径推荐系统的研究与实现
这是一篇关于农产品销售,推荐系统,词嵌入,网络表示学习,社交网络的论文, 主要内容为作为我国主力军的产业,农业至今依然蓬勃发展,支撑着国家的经济建设,在生产总值中占有很大的比重。现今互联网技术与科技发展为市场带来电商经济这种别开生面的交易方式,为传统农产品贸易创造新契机的同时也带来了挑战。由于果蔬农产品销售受地域和时间限制的特点,加之电商平台大量相关信息容易对用户构成信息过载,一定程度上影响了农产品行业的发展。因此,对农产品销售场景下推荐系统的研究具有很大的价值和发展空间。而截至目前,农产品相关的推荐工作主要集中在以买家为目标的商品推荐上,鲜少有以卖家为目标用户,根据其预售农产品为之提供销售途径推荐的系统。本文围绕预售农产品的果农菜农用户,利用词嵌入技术与网络表示学习方法,设计一个包括推荐适合的销售地、销售商以及潜在买家的农产品销售途径推荐系统。本文具体内容如下:(1)为实现预售果蔬产品销售地与销售商推荐,本文根据农产品的销售特征,研究多种词嵌入的方法并加以相关改进,提出面向农产品的全局词向量表示方法(Global Word Vector Representation for Agricultural Products,AP-GloVe)。该方法所生成隐含语义的词向量不仅利用词对共现矩阵保留全局共现信息,还通过滑动窗口捕捉局部上下文信息。另外,本文根据农产品销售背景下的AP-GloVe方法构建了中国县级及以上行政区划的地名语料库(Administrative Division Corpus,ADCorpus)与果蔬品种语料库(Fruits and Vegetables Corpus,FV-Corpus)。经验证,AP-GloVe在词相似性实验中发挥出稳定的效果。(2)为实现预售果蔬产品潜在买家推荐,本文根据对社交网络的研究,引入一个能描述节点拓扑结构与基础影响力的综合影响力矩阵,并结合多头自注意力机制,提出一个基于影响力的图神经网络模型(Influence-Aware Graph Neural Networks,IAGNN),在完成社交网络上节点的嵌入表示时保留节点影响力和节点间拓扑结构信息。在节点分类和链路预测任务中,IAGNN模型与多个现有算法相比准确率有所提升。(3)在AP-GloVe方法与IAGNN模型的研究基础上,本文实现一个面向果农菜农的农产品销售途径推荐系统。该系统具备查询市场均价、销售途径推荐以及生成溯源码的功能。其中利用AP-GloVe方法所生成词向量实现销售地推荐;借助销售地推荐结果与销售商特征完成销售商推荐;通过IAGNN模型在社交网络中训练节点嵌入向量来实现潜在买家推荐。该系统功能齐全,具有良好的性能与交互性。
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：源码货栈 ，原文地址：https://bishedaima.com/lunwen/46548.html
