情感偏好下的双近邻个性化电影推荐方法研究
这是一篇关于个性化推荐,双近邻,用户偏好,遗忘曲线的论文, 主要内容为随着信息技术被广泛应用,互联网的爆炸式增长及快速发展,信息资源迎来了高速度、多样性、密集化传播的时代。但另一方面,人们也逐渐从信息匮乏的时代走入了信息过载的时代,越来越多的数据得不到有效的利用,造成了信息资源的浪费。于是,推荐系统应运而生,它的任务就是联系用户和信息。一方面,推荐系统能过滤无用信息,帮助用户发现对自己有价值的信息;另一方面,它能让符合用户需求的资源和信息主动展现在可能感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。本论文主要分析了个性化推荐系统中的几个关键性问题,传统的推荐算法存在矩阵稀疏性问题、用户及项目的冷启动问题,并且推荐过程中传统算法较少考虑推荐结果的时效性,忽视了用户对项目属性的偏好及其变化规律。为了解决上述问题,本论文主要研究了结合用户和项目相似度双近邻的推荐方法,提出了一种基于项目相似度的矩阵填充方式,解决稀疏性的同时综合了算法的优势。另外,在双近邻推荐结果的基础上,增加用户对项目各属性特征的偏好的变化对推荐结果进行TopN排序。本论文的主要研究工作有:(1)确立了双近邻思想下的推荐方法,利用电影的二值矩阵选择其相似电影群,并对稀疏的用户评分矩阵进行填充,同时利用填充后的评分矩阵选择其相似用户群,从双近邻的角度综合考虑用户之间和电影之间的相似度,使得推荐结果更准确。(2)根据电影的类型和上映年份计算用户的偏好,本论文通过计算用户历史观影记录中包含各属性特征的电影的得分,并以其所占的比重为权重,计算用户的偏好,考虑用户对电影的类型和新旧程度的兴趣倾向。(3)认为用户的偏好会随时间发生改变,为了反映出用户过去的偏好对推荐的影响会随着时间间隔的增长而削减,利用艾宾浩斯遗忘曲线理论,建立了基于遗忘曲线的时间效应函数,用于计算用户兴趣偏好的动态变化,使推荐结果更具有时效性。最后挖掘豆瓣电影网的数据,作为训练集和测试集,对本论文提出的算法进行了实验,结果表明该算法在推荐准确度上相较于传统算法有了显著提高。
基于知识图偏好传播的个性化推荐方法研究
这是一篇关于推荐系统,知识图谱,注意力机制,用户偏好,数据稀疏性的论文, 主要内容为随着智能信息服务应用不断深入日常生活,网络数据日益膨胀,知识图谱因其强大的语义处理能力与开放互联能力成为当下研究的焦点。推荐系统可以帮助人们获取所需要的信息或商品,改善信息超载问题。推荐系统的核心技术是对用户历史行为数据和商品信息进行建模,推理出用户的偏好,并将其可能感兴趣的商品推荐给用户。在推荐场景中,商品可能会包含丰富的语义信息,知识图谱加强了商品之间的联系,为个性化推荐提供了丰富的参考价值。本文针对以上问题,提出了两个相关模型:基于知识图谱偏好传播的个性化推荐模型KGP-GAT,基于知识图谱的可解释性个性化推荐模型KPAN。(1)模型KGP-GAT将知识图谱作为辅助信息整合到推荐系统中,提供丰富的语义信息,提升推荐性能。首先通过用户的行为历史找到包含用户偏好的项目,并使用知识图谱上的高阶连通性进行偏好信息传播,使得实体能够包含更加丰富的语义信息,能够更好的对实体进行表示,同时使用注意力机制来对语义信息进行过滤,为更接近的实体分配更高的注意力分数以传播更多的语义信息。(2)模型KPAN采用知识图谱作为额外的用户-项目连接,这是对用户-项目交互的补充,通过对知识图谱上的高阶连通性进行显式地建模,在知识图谱上使用注意力嵌入传播来捕获实体之间的语义信息和协作信号,从而推断用户的偏好,并提供可解释性。最后,为了验证上述两个模型的有效性,在有关数据集上进行了CTR预测和TopK预测的实验和分析。实验结果表明,模型有效利用了知识图谱上丰富的语义信息,捕获知识图谱中的协作信号,更新项目表示,对用户的偏好进行很好的扩充,以缓解数据稀疏情况。
基于深度学习与对象感知的个性化电影推荐系统
这是一篇关于推荐系统,深度学习,多维嵌入向量,用户偏好,特征交叉的论文, 主要内容为随着互联网的发展和普及,各个应用产生的信息量正快速膨胀,在海量数据中,用户可以享受到丰富的信息,但庞大的数据规模使其难以选择自己需要的内容,会存在着“信息过载”的问题。推荐系统可以极大缓解此类问题,它不仅可以满足用户对高质量信息的需求,而且可以为企业增加对用户的吸引力并巩固自身在行业内的地位。近年来,深度学习的出现解决了传统推荐系统的特征学习和高阶特征交互问题,充分挖掘不同特征域之间的高阶特征交互,从而提升了模型的预测结果精度,因此被广泛应用在推荐系统中。此后,随着计算机技术和多维嵌入向量技术的进步,基于多维嵌入向量的神经网络模型在预测结果精确方面得到了大幅提升,成为目前推荐算法的研究热点。其中,根据用户和物品的出现频率对嵌入向量大小进行动态调整的ESPAN(Embedding Size Adjustment Policy Network)模型更是受到了广泛关注。在基于深度学习的推荐系统中,嵌入向量是一种广泛使用的重要技术,但是现有基于多维嵌入向量的模型在构建嵌入向量时,并没有对用户的偏好给予应有的关注,这会导致预测结果不够精确。本文对ESPAN模型进行了深入研究,提出并实现了基于对象感知的神经网络模型ONN。主要研究内容如下:(1)在构建嵌入向量时,目前很多方法更关注于嵌入向量的维度搜索而忽略了用户偏好的重要性。针对上述缺陷,本文对用户偏好给予了关注,将其与多维嵌入向量融合并提出一种基于对象感知的神经网络ONN(Object-aware Neural Network)。实验结果表明ONN模型较基线模型在精确度和损失值上有了较大的改善,证明了ONN模型的有效性和先进性。(2)ONN模型在用户和物品嵌入向量的特征交叉问题上还有待改进,因此通过引入特征交叉技术对该问题进行优化,并提出了基于增强特征交叉的ONN＿FC(Object-aware Neural Network with Feature Cross)模型。该模型将多层感知机与特征交叉层分为上下两层放置,特征交叉层接收输入并执行特征交叉操作,然后将输出与用户和物品的嵌入向量连接,最后输入到多层感知机并得到预测结果。(3)本文在提出的推荐算法基础上设计并开发了一个基于B/S架构的个性化电影推荐系统。从需求分析到系统设计规划了用户展示层、后端逻辑层、数据存储层和推荐层的功能。在推荐流程中使用OPN＿FC作为排序模块的模型。最后,使用Django、Vue、Redis、Nginx、My SQL和Py Torch实现了该系统。
基于用户多偏好建模和预测的序列推荐研究
这是一篇关于序列推荐,用户偏好,图卷积神经网络,多任务学习,项目属性关系的论文, 主要内容为随着互联网上的数据海量增长,信息过载严重阻碍了人类社会的发展,推荐系统应运而生,它通过过滤、筛选匹配等手段,以解决信息过载的问题。传统的推荐系统核心问题是根据用户的历史反馈对用户和项目之间的交互进行建模,但这种建模的方式是静态的,只能捕获用户的共性偏好。在现实生活中,用户的习惯往往是序列化的行为,而不是独立的交互。此外,用户的偏好和物品的流行程度也会动态变化。不同的上下文通常会导致不同的用户项目交互。由于其适合于实际的应用场景,序列推荐已经成为整个深度学习社区关注的焦点。虽然近年来序列推荐系统的研究越来越多,但在探索和利用项目属性关系来提高预测精度方面仍存在不足。在本研究中,提出了一种新的技术框架--MIA-SR,通过利用多项目属性(MIA)来建模和预测用户偏好以实现序列推荐(SR)。(1)受到机器翻译任务的启发,在对用户动态行为建模时,以序列的形式来建模用户-项目之间的交互。具体基于Transformer架构,通过多头注意力机制,前馈网络,残差网络,层归一化等实现对用户序列的特征提取和编码。(2)为了能更好地刻画用户的多方面兴趣,除了使用项目序列,还使用属性序列来生成用户兴趣的多个向量表示,建立一个用于兴趣聚合的自我注意模块,实现用户兴趣表示的融合。(3)考虑到项目与属性高度相关并能够在语义上相互促进,进一步提出在项目-属性二部图上使用图卷积网络来增强项目和属性的表示。(4)最后,将预测用户兴趣的多个刻面视作多个任务,并可为每个任务生成独立的表征和预测结果。结合自动学习权重损失函数,对模型进行优化。在公共基准数据集上进行了大量的实验,以验证MIA-SR方法相对于现有方法的优越性。与目前最优秀的模型SASRec相比,MIA-SR模型在JD、Tao Bao数据集上HR@5-10至少提高了2.0%,NDCG@5-10至少提高了3.1%。在只有两个任务的ML-1M数据集上的预测精度也有一定提升。最后通过消融实验和参数分析,验证了MIA-SR中各个组件的有效性以及模型的可扩展性。
基于知识图谱的旅游景点个性化推荐方法研究
这是一篇关于个性化推荐,知识图谱,用户偏好,矩阵分解的论文, 主要内容为随着信息技术的发展和互联网的普及,网络上的数据呈指数式增长,信息过载问题成为了用户获取信息的一大困扰。为了从海量的信息中发现用户的兴趣,满足用户个性化的信息需求,推荐系统应运而生。传统的协同过滤推荐多采用评分数据进行推荐,存在数据稀疏问题,限制了推荐系统的性能。知识图谱中存在丰富的知识,用于推荐系统中将会是有用的辅助数据,所以基于知识图谱的推荐越来越受到研究者的关注。本文对基于知识图谱的个性化景点推荐方法展开研究。通过构建旅游景点知识图谱,提取其中的实体向量,用于构建用户兴趣模型,然后融入到矩阵分解推荐模型中,从而提高景点推荐系统的性能。本文的主要研究内容如下:(1)基于本体的景点知识图谱构建。当前,中文领域还没有一个公用的景点知识图谱,需要根据需求自行构建。本文分析了领域知识图谱的构建方法,设计并实现了一种基于本体的景点知识图谱。首先根据本体的目的,寻找可复用本体,并进行概念和分类设计,定义类的属性,构建景点本体;然后,对数据源进行采集,根据本体指导景点知识抽取;设计了一种基于字符串和基于结构的实体对齐方法,分别从字符串和实体属性两个层面进行实体对齐;最后,将景点知识图谱存储在了Neo4j图数据库中。(2)设计了基于知识图谱的用户兴趣向量化方法。分析了常用的用户兴趣建模方法,它们不适用于基于知识图谱的用户兴趣建模。通过知识图谱的表示学习,将知识图谱中的知识向量化,在此基础上,提出了一种基于知识图谱中实体属性的用户兴趣向量化方法。对景点属性进行分析,发现了景点属性与用户兴趣之间存在关联。在知识图谱向量化的基础上,定义了景点属性的权重函数,结合历史访问景点的属性值,构建了用户兴趣向量,用以精确定位用户对景点属性的兴趣,用于后续的景点推荐。(3)提出了一种融合知识图谱的矩阵分解模型。通过分析协同过滤推荐方法,发现传统的协同过滤方法仅使用评分数据进行推荐,存在数据稀疏的问题。在用户兴趣向量化的基础上,计算用户偏好相似性,与用户隐式反馈协同进行矩阵分解,从而将知识图谱信息融入到矩阵分解模型中,弥补矩阵分解算法没有考虑景点属性信息的不足,缓解数据稀疏问题。通过对比实验验证,结果表明,本文提出的基于知识图谱的个性化景点推荐方法是有效的,与基准推荐方法相比,推荐的准确率和召回率都有了一定程度的提升。
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：代码向导 ，原文地址：https://bishedaima.com/lunwen/47593.html
