8篇关于跨领域推荐的计算机毕业论文

今天分享的是关于跨领域推荐的8篇计算机毕业论文范文, 如果你的论文涉及到跨领域推荐等主题,本文能够帮助到你

基于知识迁移的跨领域教育资源推荐系统研究与实现

这是一篇关于知识迁移,相似度,跨领域推荐,教育资源的论文, 主要内容为随着互联网技术的不断普及以及大数据时代的到来,学生可以通过众多的的渠道来获取大量的教育资源,但教育资源系统在为学生带来方便的同时,产生了资源虽然数量多但可能并不能完全满足学生要求的问题。学生面对繁多的教育资源显得无所适从,为解决教育资源繁多以及为学生展现其感兴趣的教育资源的问题,推荐技术被应用了到教育推荐之中。推荐技术在教育推荐系统中,可以根据学生的偏好为学生呈现其可能感兴趣的教育资源,但在推荐的同时,学生信息数据过少、学生兴趣的的挖掘等问题仍然是教育推荐面临的主要挑战,伴随着教育资源系统数量的增加以及学生要求的不断提高,还有学生规模以及教育资源数量的急剧增长,为学生生成更加准确的教育资源推荐变得越来越迫切。而跨领域教育推荐可以利用丰富的源域知识,为学生生成更加准确的推荐。由此,如何快速解决学生对于不同教育资源的迫切需求,充分挖掘学生的潜在偏好,建设一个满足条件的教育资源推荐系统,进而为学生带来更好的体验,具有十分重要的意义。本文认真分析了当前国内外对于教育跨领域推荐研究的现状,并且将现有存在的不足进行了总结。重点对于现有教育跨领域推荐对于学生潜在特征考虑不足的问题进行了深入讨论。据此,为增加教育资源推荐的多样性,提升推荐结果的准确性,本文提出了一种基于用户知识迁移的跨领域推荐算法,算法使用学生在源域与其他学生的相似性来填充目标域矩阵评分,并在此基础上使用矩阵分解技术完成对于学生评分矩阵的分解以及对于潜在特征的调整,最终完成对学生在目标域评分矩阵的填充。经过严格的实验结果表明,本文提出的算法具有较好的推荐效果。综上所述并结合需求,实现了跨领域教育资源推荐系统,系统开发使用了当前流行的技术,并对于系统中的学生、教师以及管理员模块的功能设计进行了实现。最后,对系统中的功能进行了详细的测试。

基于知识迁移的跨领域教育资源推荐系统研究与实现

基于方面级用户偏好迁移的跨领域推荐算法研究

这是一篇关于跨领域推荐,方面级用户偏好,用户冷启动,迁移学习的论文, 主要内容为随着互联网的高速发展,电商平台已成为重要的经济产业,尤其是新冠疫情以来,电商平台在防疫和供应保障中发挥了重要作用。推荐系统依赖于用户和商品的交互实现个性化推荐,提升电商平台服务质量,却容易在数据稀疏场景遭遇用户冷启动问题。跨领域推荐通过挖掘用户在源领域的行为信息,辅助目标领域的用户建模,可望缓解用户冷启动问题,但跨领域推荐的性能极大依赖于跨领域的用户偏好建模和迁移。本文围绕用户偏好细粒度建模及跨领域迁移问题,利用电商平台丰富的用户评论,通过评论文本挖掘用户细粒度的偏好知识,实现跨领域迁移和跨领域推荐,以缓解用户冷启动问题。本文首先针对用户偏好建模问题,提出一种基于评论的方面级(Aspect)用户偏好建模方法,通过卷积神经网络学习上下文相关的动态词表示,并结合领域方面特征和方面级注意力,从多方面建模用户细粒度的方面级偏好。本文还设计了基于方面级用户偏好建模的单领域推荐算法RAUPR。在亚马逊(Amazon)电商平台公开数据集的实验表明,与对比方法相比,RAUPR能有效实现细粒度的方面级用户偏好建模,进而提升评分预测的均方根误差(RMSE)指标。在方面级用户偏好建模的基础上,本文提出基于方面级用户偏好共享迁移的跨领域推荐算法CAUT。CAUT利用预训练源领域编码器参数对目标领域编码器进行参数初始化,在固定源领域编码器参数的同时引入领域鉴别器,将源领域和目标领域数据映射到相似的特征空间,解决源领域与目标领域数据分布差异的问题,实现信息的有效迁移,缓解用户冷启动问题。在此基础上,为解决单一的迁移方法难以建模不同用户在领域间偏好映射复杂关系的问题,本文进一步提出了基于方面级用户偏好个性化迁移的跨领域推荐算法CAUPT。CAUPT在CAUT的基础上,为每个用户生成不同的偏好映射函数,建模不同用户在领域间偏好映射的复杂关系,实现用户偏好的个性化迁移。最后,本文通过Amazon数据集设计跨领域推荐实验,验证CAUT和CAUPT两个算法的有效性,探究CAUT和CAUPT算法的适用场景。实验结果表明,基于生成对抗网络的共享迁移策略是必要的;当方面个数较少、迁移特征不具体时,适合使用CAUT算法;当方面个数较多、迁移特征具有个性化时,更适合使用CAUPT算法。

基于评论的双视角深度推荐模型研究

这是一篇关于推荐系统,跨领域推荐,矩阵分解,深度学习,双视角学习的论文, 主要内容为在各种推荐系统中,用户对项目的数值评分和文字评论是反馈其偏好的主要信息。然而,传统的仅借助用户的评分来进行推荐的模型,如协同过滤,在数据非常稀疏的场景下无法有效工作。当前的一些仅使用评论信息进行推荐的模型也会受到评论稀疏性的影响。一方面,大多数场景下用户给出评分和评论都是相互关联和互补的,评论可以解释为什么用户对这个项目给予高或低的评分。另一方面,评分和评论分别从粗粒度和细粒度两个层面反映了用户的偏好,即用户可能会对项目的某些方面做出正面的评论,即使他对该项目的整体评分很低。由于评分和评论存在上述差异性,它们有属于自己特定视角的信息。因此,通过有效地整合来自不同视角,即共享视角和特定视角的评分和文本评论信息,可以更准确地预测用户对项目偏好。此外,跨领域的推荐也存在类似特点。相同用户在不同领域购买的商品具备一定共享的特征,例如它们是相同的类型,此时两个领域之间的购买信息是相互关联和互补的。但也存在领域特定的特征,不同领域的商品都有它们独特的特征。因此,通过有效地整合领域共享和领域特定的表示,可以进行更有效的跨领域推荐。针对以上问题,本文提出了两种基于评论的双视角信息抽取推荐模型。第一种是基于共享视角和特定视角信息抽取推荐模型(SSIR)。该模型有两个关键组件,包括共享视角信息提取和特定视角信息抽取模块。从共享视角的角度来看,SSIR整合了对抗混淆损失和评分预测损失,从评论和评分中提取可共享的信息。在特定视角部分,SSIR对上述共享视角的信息和特定视角抽取得到信息应用正交约束,从而从评分和评论中提取其特定的特征。之后本文融合了从这两个视角中提取的特征来进行最终的评分预测任务。此外,本文还使用了辅助评论来应对评论的稀疏性问题。为了证明本文的方法能够适应评论和评分较少的推荐场景,本文使用了8个数据集的数据分别进行了实验。实验结果验证了SSIR的有效性和鲁棒性。第二种是基于评论的跨领域双视角推荐模型(DIDR),该模型有两个关键组件,包括领域共享信息提取和领域特定信息抽取模块。从领域共享的角度来看,DIDR整合了对抗混淆损失和跨领域注意力机制,学习不同领域间的共享特征。在领域特定视角部分,DIDR对上述领域共享的信息特征和领域特定抽取得到信息应用正交约束,从而在不同领域内提取其特定的特征。之后模型融合了从这两个模块中提取的特征来进行最终的评分预测任务。最后,本文使用了2个不同的跨领域数据集数据进行了实验,证实了DIDR模型可以在跨领域应用场景取得更好的模型性能。

基于共享知识迁移的跨领域推荐算法研究

这是一篇关于跨领域推荐,概率矩阵分解,密度峰值聚类,知识聚合,知识迁移的论文, 主要内容为随着互联网和移动互联网技术的迅猛发展,网站中的数据规模急速增长,为了解决出现的信息过载问题,推荐系统应运而生。推荐系统通过挖掘算法和数据分析技术推测用户兴趣并主动推送信息。传统的推荐算法通常仅利用单一领域中的数据,无法解决新用户的冷启动问题,并且算法性能会受到领域中数据稀疏性的限制。跨领域推荐可以通过迁移其他辅助领域的知识来缓解以上问题,提升推荐效果。基于此,本文开展了基于共享知识迁移的跨领域推荐算法研究,主要内容如下:(1)在领域之间不存在重叠用户的场景下,针对数据稀疏性问题和跨领域推荐算法中存在的负迁移问题,本文提出了结合共享评分和评分偏移的跨领域推荐算法(Sharing Ratings Pattern and Rating Bias,SRPRB)。首先通过改进的概率矩阵分解和密度峰值聚类算法提取用户群体的偏好作为领域之间的共享知识,然后将其迁移到目标领域以缓解数据稀疏性的影响。最后考虑到领域间存在差异,将迁移的共享知识与目标领域中用户的个性偏好相结合,减少负迁移带来的影响。(2)在领域间用户重叠的场景下,针对数据稀疏问题和新用户的冷启动问题,本文从知识聚合和知识迁移的角度提出了基于特征映射的跨领域迁移推荐算法(Fearure Mapping for Cross-Domain Transfer,FMCDT)。首先根据用户在不同领域中的评分专业度融合用户特征,实现领域间知识聚合。然后通过多层感知机来学习不同领域中用户特征间的非线性关系,最后由学习到的映射函数帮助冷启动用户提供推荐。在给出必要的理论分析基础上,本文在Movielens、Eachmovie、豆瓣图书和豆瓣电影数据集上进行了实验,并以RMSE和MAE作为评价标准,理论分析与实验结果均表明了本文所提算法可以缓解数据稀疏性问题,同时推荐性能也得到了一定的提升。

面向推荐系统的概念知识库

这是一篇关于知识库,推荐系统,联想知识库,文本挖掘,跨领域推荐的论文, 主要内容为本文介绍了一种面向推荐系统的概念知识库。这种概念知识库能够帮助计算机拥有像人类一样的联想能力，回答诸如“说到刘诸葛亮，最会想到谁”一类的问题。该中文联想知识库由三大在线中文百科全书——百度百科、互动百科、中文维基百科为数据源，经过数据整理、分词与标注、同义词合并、概念共现计算、联想关系计算等步骤计算而成。在我们的知识范围内，该中文联想知识库是第一套提供联想关系的中文知识库。用户测评显示，该中文联想知识库在联想能力上能够满足用户预期。联想知识的一个重要应用就是跨领域推荐系统。这套跨领域推荐系统不仅能在本领域内生成推荐结果，而且能在领域外产生推荐结果。中文联想知识库的应用能够帮助跨领域推荐系统生成更新颖、覆盖面更广的推荐结果。此外，在中文联想知识库的帮助下，推荐结果的解释能力也得到了提高。除了在推荐系统中的应用外，中文联想知识库的使用还可以在诸如查询关键字补全、查询重写、文本挖据、文本主题推断等应用场景使用。此外，中文联想知识库还能够辅助其他知识库的构建以及查询。我们期望，中文联想知识库的研发成果能够为中文智能系统特别是中文智能文本理解系统的发展做出贡献。

基于对抗机器学习的深度神经网络推荐方法研究

这是一篇关于对抗机器学习,对抗样本,生成对抗网络,跨领域推荐,序列推荐的论文, 主要内容为随着互联网技术的发展,网络上的数据呈指数级增长。推荐系统从海量的数据中挖掘出有用信息向用户进行推荐,有效地缓解了信息过载问题,已经成为工业界和学术界的研究热点。对抗机器学习以对抗的方式对模型进行训练,通过博弈竞争可以提高模型推荐的性能。目前,对抗机器学习的研究内容主要包括基于对抗样本的模型鲁棒性研究和基于生成对抗网络的样本生成研究。本文主要围绕基于对抗机器学习的深度神经网络推荐方法进行研究,探索对抗机器学习技术如何提升跨领域推荐和序列推荐的性能,从而为用户提供更好的推荐服务。本文的主要研究内容为:(1)对于跨领域推荐,由于数据稀疏性和负迁移问题,跨领域推荐模型的鲁棒性较差,因此本文提出了一种基于对抗样本的跨领域推荐方法。该方法通过共享用户嵌入矩阵来进行领域间的知识迁移,并使用深度神经网络来提取用户与物品间的非线性交互特征,然后在用户和物品的嵌入表示中添加微小但有意设计的扰动来构造对抗样本,接着使用具有攻击性的对抗样本进行训练,从而提高模型的鲁棒性进而提高模型推荐的准确性。最后通过实验证实了本方法的有效性。(2)对于序列推荐,由于没有考虑负样本的动态性,限制了序列模型捕获用户动态偏好的能力,因此本文提出了一种基于生成对抗网络的自注意力序列推荐方法。该方法使用自注意力机制来挖掘用户历史序列中的动态偏好,并结合生成对抗网络,使用一个生成模型动态地生成高质量的负样本信息,提供给负责序列推荐的判别模型进行训练,进而提高模型推荐的准确性。最后通过实验证实了本方法的有效性。(3)本文实现了一个基于对抗机器学习的商品推荐系统,设计了基于上述两种方法的商品推荐引擎,为用户提供个性化推荐服务。