5篇关于用户冷启动的计算机毕业论文

今天分享的是关于用户冷启动的5篇计算机毕业论文范文, 如果你的论文涉及到用户冷启动等主题,本文能够帮助到你

基于开源平台的第三方库推荐算法研究

这是一篇关于推荐系统,图神经网络,协同过滤,用户冷启动的论文, 主要内容为生活中充满了各种各样的软件,软件市场的不断壮大给用户带来了巨大的便利,同时也给开发人员带来了更多的挑战。为了更好地服务于用户,软件服务提供商的竞争也日益激烈,开发人员需要在尽可能短的时间内开发出更符合用户需求的软件产品,同时还要保证产品的稳定性,从而使用户满意。在软件开发过程中,第三方软件库已经成为了不可或缺的一部分。开发人员可以通过它们提供的应用程序编程接口复用其功能,从而高效地完成应用开发。然而,由于可重用的第三方库数量不断增加,寻找合适的第三方库对于开发人员来说是一项繁琐而复杂的任务。因此,帮助开发人员快速地寻找可用的第三方库具有十分重要的意义。针对该问题,论文首先提出了一种新的基于交互信息的第三方库推荐算法SELib Rec。利用图嵌入模型重建网络结构,捕获项目节点的高阶非线性结构特征,获取到项目节点表示之后,首先使用相似度度量算法找到近邻项目,然后为目标项目推荐近邻项目所依赖的第三方库。经实验验证,该算法相较于对比算法具有较好的性能,但是,在用户冷启动场景下无法取得较好的推荐结果。针对用户冷启动问题,本文提出使用图神经网络模型结合协同过滤技术进行推荐。首先,使用预训练语言模型提取项文本特征,然后将其作为初始特征输入到图神经网络中。在图神经网络模型中聚合节点的高阶邻居特征,论文使用贝叶斯个性化排序损失优化网络模型。得到项目的嵌入表示之后,再通过相似度算法找近邻项目,然后为目标项目推荐近邻项目所使用的第三方库,本文将该模块称为CELib Rec。在聚合模块,将以上两个模块的推荐结果加权求和,然后按照评分排序并得到最终的推荐列表,本文将融合后的算法命名为GELib Rec。本文同时利用项目与第三方库的交互信息和文本描述信息实现混合推荐,从App Brain官网和开源平台Libraries.io中分别提取了一个数据集,基于这两个数据集和本文构建的推荐模型,在普通推荐场景和用户冷启动推荐场景下进行实验。通过与几种先进的第三方库推荐算法在多个评价指标上的比较,验证了论文所提算法的有效性。

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。

面向冷启动用户的音乐热评混合推荐系统的研究与实现

这是一篇关于推荐系统,用户冷启动,混合推荐,热评推荐的论文, 主要内容为推荐系统是人们从海量信息中获取所需信息的重要手段。它的目标是连接用户和信息。然而,目前多数推荐系统的推荐依据是用户实时行为数据和用户历史行为数据。当推荐系统内的用户数据量不能达到推荐要求时,就会出现推荐系统的用户冷启动现象。因此推荐系统需要对用户冷启动情景做区分推荐处理,缓解用户冷启动现象导致的推荐效果下降问题。用户冷启动现象也是当前推荐领域普遍面临的问题。为了缓解冷启动用户因缺少历史行为数据造成的推荐效果大幅下降现象,本论文基于音乐热评混合推荐平台的构建,针对服务用户冷启动环境的混合推荐系统进行了研究。使用异步网络爬虫获取当前网络平台上存在的音乐热门评论及相关数据,使用多种推荐算法构建混合推荐引擎,使音乐热评混合推荐平台的冷启动用户也可以获得个性化的音乐热门评论推荐,满足冷启动用户对音乐热门评论的获取需求,提升冷启动用户对整个推荐系统的推荐满意度。本文的主要工作包括以下方面。首先,本论文研究了用户冷启动问题的解决机制和用户对音乐热门评论的获取需求,分析了各种网络爬虫框架各自擅长的业务场景和功能,结合分布式数据库MongoDB和关系型数据库SQLite,构建了一套基于Scrapy爬虫框架的异步网络爬虫系统,对构造推荐模型的各种数据进行定时获取,满足推荐的数据需求。这可以摆脱固有数据源在数据方面的局限性,丰富数据内容并创造出符合实际的面向冷启动用户的推荐场景。其次,针对单一算法面向冷启动用户推荐时准确率过低的问题,提出了基于KNN算法、FM算法和Bandit算法的混合算法,利用获取到的音乐热门评论相关数据,挖掘特征并构建推荐模型。该混合算法首先使用多路召回策略,利用引入时间因子的热度榜召回、“神回复”召回、标签相似召回、基于Doc2Vec的内容相似召回为用户生成基于不同策略的召回源,提取各个召回源的召回结果组成候选集。然后设置用于检测用户状态的“冷启动状态开关”,对于没有足够历史行为的用户,推荐平台自动使用经过改进的Bandit算法形成推荐列表,对于有足够历史行为的用户,推荐平台自动使用FM算法形成推荐列表。平台从推荐列表中选择TOPK条热门评论提供给用户。该混合推荐算法可以为冷启动用户提供推荐服务,缓解用户冷启动现象。最后,对音乐热评混合推荐平台进行了实现。平台基于Web框架Bottle进行开发,并嵌入面向冷启动用户的推荐系统。平台可以为冷启动用户提供个性化的音乐热门评论推荐服务,并展示面向冷启动用户的混合推荐系统在实际环境中的应用。

面向稀疏短交互特征的商品交易序列用户冷启动推荐方法研究

这是一篇关于序列推荐,马尔科夫链,用户冷启动,元学习算法,知识图谱的论文, 主要内容为随着互联网电商平台的兴起,商品推荐系统发展迅速。研究表明,基于用户与商品交互序列的推荐算法能够感知用户的长期偏好,有助于提升推荐效果。通过对真实数据集分析,发现某些情况下交易数据具有稀疏和短交互性的特征,在二手交易平台中尤为明显,此类问题降低了序列建模推荐方法的有效性。与此同时,当推荐系统进一步面对用户冷启动问题时,有必要综合考虑算法的适应性和数据的稀疏性问题。基于上述分析,对面向稀疏数据的序列建模和用户短交互冷启动问题开展相关研究,从而更好的满足稀疏冷启动环境下对于推荐算法的实际应用需求。主要工作包括建立了适用于稀疏短交互数据的马尔科夫链序列推荐模型,实现了用户冷启动现象的元学习优化算法。在序列推荐建模方面,先对序列交互数据预处理,通过已有长序列生成更多短序列,丰富偏好特征训练样本,使用基于时间流行度的采样方法精选短序列样本;结合知识图谱链路预测的方法提取用户的偏好特征;将用户偏好特征和商品特征映射至同一向量空间,增强序列推荐的预测准确性;使用马尔科夫链概率公式预测下一项商品。针对用户冷启动问题,将提出的序列建模方法与基于参数优化的元学习方法相结合,采用双层梯度下降的模型优化策略,在适应数据稀疏性的前提下优化模型参数,使得模型在冷启动场景下拥有更好的表现。在二手电商Mercari和传统电商Amazon两个数据集上开展一系列实验,两数据集均具有稀疏短交互的特征,其中Mercari数据集比Amazon数据集拥有更大的稀疏度和更短的平均交互长度。与现有方法的对比实验表明,本方法相对主流算法取得了较好的结果,相对于其中的Meta CF算法在下一项商品预测准确率分别提升了0.024和0.015,且本方法在Mercari数据集上具备更明显的提升效果。此外对模型进行消融实验,结果表明采样方法与知识图谱关系提取技术能提升稀疏短交互数据下的序列推荐性能,同时元学习优化算法能够使模型很好地适应冷启动场景。