8篇关于多行为的计算机毕业论文

今天分享的是关于多行为的8篇计算机毕业论文范文, 如果你的论文涉及到多行为等主题,本文能够帮助到你

基于图神经网络的TopN推荐算法的研究

这是一篇关于推荐系统,知识图谱,高阶关系,多行为,注意力机制的论文, 主要内容为随着互联网技术的飞速发展,云计算、大数据、物联网和移动终端设备的普及,互联网上的各种数据层出不穷,引发了数据规模的爆炸式增长。普通用户接收信息的渠道也越来越多,被动地进入了内容过载和数据噪声泛滥的时代。人们在享受信息获取的便捷的同时也深受信息污染的困扰。基于这种情况,推荐系统就应运而生。目前应用最广泛的推荐算法是协同过滤算法。虽然协同过滤算法在多数场景下可以表现出不错的性能,但是其仍然遭受数据稀疏性和冷启动等问题的挑战。图神经网络作为深度学习的一个重要的研究分支,近些年来发展比较迅猛并成为近年来研究的热点。本主要是利用图神经网络来获取用户更多隐藏信息,有效的减缓推荐系统的冷启动和数据稀疏的问题。本文的具体研究内容如下:(1)首先针对传统的协同过滤算法的数据稀疏和冷启动的问题,引入知识图谱和卷积神经网络,在知识图谱中获取用户和项目的高阶关系,减缓数据稀疏和提高推荐系统的精确性。项目及其属性可以映射到知识图谱中,以丰富项目之间的相互关系。此外,用户和用户的交互也可以集成到知识图谱中,这使得用户和项目之间的关系,以及用户偏好,可以更准确地捕捉到。具体而言,该模型采用异构传播策略对两种信息进行显式编码,并应用卷积神经网络对不同的基于知识图谱的邻居的权重进行区分。实验表明,该模型相较于传统的协同过滤算法有明显的提升。在Book-Crossing、Movie Lens-20M和Last.FM三个数据集上相比于最佳基准模型AUC分别提升了3.1%、1.8%和1.0%;F1分别提升了2.7%、1.8%和2.2%。(2)为了进一步挖掘用户的潜在兴趣偏好,引入用户的多行为数据。通过使用图结构来表示用户的多行为数据,充分利用用户的不同行为数据。捕获不同的行为对用户的目标行为的不同影响。这可以减缓用户行为稀疏性的问题。同时还引入注意力机制,来区分不同的行为对目标行为的权重,从而提升推荐系统的性能。实验表明利用用户的多行为数据确实比使用单一行为数据的模型有明显的提升。对比最佳基准在Tmall数据集上平均提升分别为9%和16%;在Beibei数据集上平均提升5%和2%。

融合多行为和特征增强的推荐方法研究

这是一篇关于推荐系统,多行为,图卷积网络,属性信息,注意力机制的论文, 主要内容为在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买),由于用户只交互了大量项目中的一小部分,导致数据极其稀疏。因此,仅利用单一行为的推荐模型在交互数据有限的情况下,不能很好地捕获用户偏好。但是其他类型的用户行为也可以提供非常有价值的信号,例如点击、加入购物车等。多行为推荐旨在利用多种类型的用户-项目交互数据来学习用户偏好,能够有效缓解传统推荐模型中的数据稀疏问题。针对现有多行为推荐存在的问题,本文旨在设计更准确的推荐模型,提升用户体验。本文的研究内容如下:(1)由于图卷积网络处理图数据具有明显优势,已被广泛应用于多行为推荐领域。然而图卷积过程中的特征变换和非线性激活函数不仅对推荐性能没有积极作用,反而增加了模型的训练难度。同时,在邻居聚合过程中没有区别不同邻居对目标节点的影响,不能更加准确地学习节点的嵌入表示。并且多行为推荐中忽略了每个用户不同行为的重要性。针对上述问题,本文提出了一种联合轻量图卷积网络和注意力增强的多行为推荐模型。首先利用一种轻量图卷积网络在用户-项目交互图上挖掘用户和项目之间的高阶协同信息。同时利用注意力机制计算邻居节点的权重,从而有效地区分邻居节点的不同重要性。在k-阶用户嵌入传播中计算用户不同行为的重要性,提高模型的可解释性。实验结果表明,该模型性能优于比较的基线模型。(2)上述方法只关注了用户和项目之间的交互,忽略了用户和项目的属性信息,不能更加精确地反映用户的偏好和意图。在实际的推荐场景中,存在着大量的用户和项目的属性信息,它们能够为建模用户偏好和项目特征提供额外的丰富信息。并且还忽略了交互的时间顺序,无法捕捉到用户的动态兴趣。针对上述问题,本文提出了一种融合时间和属性信息的多行为推荐模型。为了进一步挖掘用户的潜在偏好和动态兴趣,引入了用户和项目的属性信息以及交互的时间信息。在用户-项目交互图中执行时间注意力嵌入传播,同时利用时间注意力学习基于时间的邻居权重,挖掘用户动态偏好。在用户-项目-属性交互图中执行属性注意力嵌入传播,通过属性注意力计算属性的不同重要性。最后结合两部分的嵌入表示进行预测。实验结果表明,该模型性能优于比较的基线模型。

基于图神经网络的TopN推荐算法的研究

基于图神经网络的多行为推荐系统模型研究

这是一篇关于推荐系统,多行为,图卷积神经网络,高阶图结构,对比学习的论文, 主要内容为在电子商务、社会媒体等领域迅速发展的今天,推荐系统已经成为非常热门且重要的应用之一,个性化的推荐旨在根据用户的兴趣偏好为用户提供合适的项目,其相关技术也引起学术界和工业界的广泛关注。协同过滤作为构建推荐模型的范式,可以从收集到的用户历史行为数据中学习用户的兴趣偏好从而进行高效推荐。但大多数现有的协同过滤推荐方法都只关注单一类型的交互信息,忽略了用户行为的多样性,从而很难跨越不同类型的交互行为捕获到用户项目间的异构关系,同时也未考虑到用户项目之间的高阶连通性,这种高阶连通性对于编码协同信号至关重要。近年来,由于图神经网络在图结构数据上表现出优秀的处理能力而备受关注,推荐系统中的绝大部分数据本质上可以视为图结构数据。因此,本文将图神经网络技术与多行为推荐任务相结合提出两种基于图神经网络的多行为推荐模型,用于预测用户对项目的兴趣偏好进而提高推荐的准确性。本文研究内容和主要贡献如下:(1)针对大多数现有的推荐方法仅关注用户项目之间单一类型的交互信息,本文通过构造异构图来表示用户和项目间的多行为数据,并提出一种考虑多行为增强信息的加权图卷积网络推荐模型(Multi-Behavior Weighted Graph Convolutional Network,MBWGCN)。该模型首先设计了具有多行为感知的图卷积神经网络(Graph Convolutional Network,GCN)嵌入传播层,将用户、项目和连边关系联合嵌入,利用图中节点间的高阶连接,捕获多行为交互中潜在的协同信号。同时考虑到不同行为对用户的影响程度不同,设置传播权重区分不同行为的重要性。其次设置项目关联性提取模块来建模项目间的相关性从而捕获多行为语义,增强对项目嵌入的学习能力。最后联合更新后的节点和关系的嵌入表示以及交互项目间的相关性评分得到最终预测分数。本模型在两个公开数据集上进行了大量的实验,实验结果充分验证了MBWGCN模型的有效性。(2)考虑到用户的兴趣本质上是动态变化的,会受其历史序列行为的影响,因此多行为往往表现出时间依赖性。为了更精准地捕捉用户的偏好,联合MBWGCN提出了跨结构多行为对比推荐模型(Cross-Structure Multi-Behavior Contrastive Learning for Recommendation,C-MBR)。该模型同时考虑基于图的全局结构和基于序列的局部结构信息,多种结构互相补充,从不同的方面捕获用户的兴趣偏好。具体来说,在不同行为子图下,模型采用对应的编码器得到全局结构和局部结构下的用户、项目单行为嵌入表示,然后,构建多行为融合模块分别对不同结构下的单行为嵌入表示进行融合,得到全局和局部结构下的用户、项目最终表示。为了进一步提高推荐的准确性,C-MBR还包括了两个对比学习任务,分别对不同行为和不同结构(局部/全局)间的共性进行建模,以提高嵌入表示的质量,同时可以缓解数据稀疏的问题。最后通过推荐任务损失函数和对比损失函数共同优化模型。实验结果表明,C-MBR模型在两个公开的数据集上超越所有基线方法,取得了最佳的性能,验证了C-MBR模型的优越性。