基于深度学习的个性化推荐系统的研究
这是一篇关于推荐系统,卷积神经网络,胶囊网络,概率矩阵分解,社交信任,标签语义相似度的论文, 主要内容为近年来,随着互联网技术的迅速普及和快速发展,各类信息呈现爆发式的增长模式,这使得用户在堆积如山的信息量中找寻自己需要的信息变得困难起来,为了快速有效地帮助用户找到所需的内容,推荐系统应运而生。用户在网上冲浪过程中留下了大量的隐式反馈行为信息,这些数据对于探究用户的喜好有着极大的意义。当前,众多研究人员对融合隐式反馈信息的推荐算法做出了一定研究,可以分为两类:一种是针对隐式反馈数据建立用户兴趣与评分;另一种是针对矩阵分解技术的改进。针对这两类,本文也做出了改进,针对第一类,以隐式反馈数据为基础,并使用深度学习技术充分挖掘用户的隐式特征,将用户的偏好转化为多分类问题;针对第二类,隐式反馈信息的引入可以解决由评分过少而导致的推荐的效果不佳问题,本文通过对现有的用户和项目相似度进行优化改进,力求充分利用社交和标签信息来改善推荐性能。本文主要研究工作和创新如下:(1)针对网络浏览行为的多样性以及用户间不同的兴趣偏好的特点,提出了一种基于网络用户浏览行为的用户偏好分类模型。首先,使用卷积神经网络对多种浏览行为的特征进行局部提取;其次,使用胶囊网络对行为特征进行整体提取;最后,使用softmax分类器对用户的浏览行为进行偏好预测。实验证明该模型能够对用户的情感偏好进行准确的预测。(2)针对传统推荐系统中基于评分的用户和项目相似度的不准确性造成的推荐效果不佳问题,提出了一种基于社交信任和标签语义相似度的概率矩阵分解模型。首先,对用户的相似度进行改进,利用用户的朋友关系、偏好相似度和标签行为构建一种新的社交信任来准确地描述用户之间的关系。然后,通过Sentence-BERT计算项目标签之间的语义相似度,依次选出最大相似度的标签对,并添加每个标签的权重,从而计算出项目之间的相似度。最后,在概率矩阵分解过程中将社交网络信任和基于标签语义的项目相似度融入到隐式评分数据,从而可以得到用户和项目的潜在特征因子,通过拟合他们来预测评分并进行Top-N推荐。在last.fm-2k数据集上进行了充分的实验,结果表明该模型能有效地改善了推荐系统的稀疏性和冷启动问题。
基于信任用户的社会化推荐算法研究
这是一篇关于社交信任,意见领袖,贝叶斯个性化排名,用户相似度,协同过滤的论文, 主要内容为电商平台和网络社交媒体的快速发展,让我们的生活更加丰富多彩,获取信息也更加方便,但是随之而来的是信息过载给我们上网所带来的巨大影响。而推荐系统则在一定程度上减轻了目前信息爆炸的问题,也可以有效的帮助人们更加迅速的寻觅到他们所需的信息。但是,数据稀疏和冷启动等问题会对推荐的质量造成较大的影响,如何克服这两个问题也成为了诸多学者研究的目标。已有研究表明利用信任信息可以在一定程度上解决数据稀疏和冷启动的问题,但是现有的推荐算法对于信任关系的处理,无法同时满足信任的非对称性、传递性、衰减性和多路性。将信任关系与个性化推荐系统相结合也能够获取较好的推荐效果,但是在现有的个性化推荐算法中,仅通过信任关系或是用户相似性来为目标用户筛选值得信任的朋友,却没有将用户信任和用户相似性有效结合,这在一定程度上会对推荐的精度有所影响。将意见领袖与推荐系统相结合也可以较好的因对数据稀疏和冷启动所带来的问题,但是已有的此类推荐算法中对于意见领袖的筛选还比较草率,如仅通过3个或是更少的评价指标来进行筛选,且在筛选的过程中并未考虑这些评价指标的权重,这些问题可能会导致此类算法并不能获取足够高质量的用户来充当意见领袖,进而影响推荐的准确率。针对现存方法存在的不足,本文主要从以下三个方面进行研究:(1)本文提出了一种基于社交信任的矩阵分解推荐算法。在该算法中,本文通过电路学的启示,设计了一种新颖的信任电路算法,该算法能够将社交网络中的信任关系转化为电路,并通过节点电压法计算用户之间的信任值。然后将信任值与矩阵分解算法相结合,来为目标用户进行更加精确的推荐。在Epinions和Douban两个数据集上的实验证实本文所提出的方法具有更准确的推荐效果,同时也能很好的解决用户的冷启动问题。(2)本文提出了一种基于可靠朋友的个性化排名推荐算法,该算法通过信任电路算法来计算用户之间的信任值,并将用户之间的信任值与用户相似度相结合,来为目标用户获取更为可靠的朋友,然后本文将这些可靠朋友所交互过的项目进行了更加细致的分类,以计算目标用户交互不同项目的概率,最后通过实验证实了本文所提出的算法具有更高的推荐准确率,对于冷启动用户也有较好的推荐效果。(3)本文提出了一个基于意见领袖的协同过滤推荐算法,在该算法中首先对用户所在的社区进行划分,然后采用用户可信度、评分公正度、评分多样性、评分活跃度和社交活跃度这五种评价指标来对意见领袖进行筛选,以求获取更高质量的用户来为目标用户进行推荐。本文采用了两种不同类型的用户相似度计算方法来对冷启动用户和非冷启动用户分别进行处理,最后通过实验证实本文所提出的模型要明显优于现有的其他方法,尤其是对于冷启动用户,本文的模型可以获得更加优异的推荐效果。
基于信任用户的社会化推荐算法研究
这是一篇关于社交信任,意见领袖,贝叶斯个性化排名,用户相似度,协同过滤的论文, 主要内容为电商平台和网络社交媒体的快速发展,让我们的生活更加丰富多彩,获取信息也更加方便,但是随之而来的是信息过载给我们上网所带来的巨大影响。而推荐系统则在一定程度上减轻了目前信息爆炸的问题,也可以有效的帮助人们更加迅速的寻觅到他们所需的信息。但是,数据稀疏和冷启动等问题会对推荐的质量造成较大的影响,如何克服这两个问题也成为了诸多学者研究的目标。已有研究表明利用信任信息可以在一定程度上解决数据稀疏和冷启动的问题,但是现有的推荐算法对于信任关系的处理,无法同时满足信任的非对称性、传递性、衰减性和多路性。将信任关系与个性化推荐系统相结合也能够获取较好的推荐效果,但是在现有的个性化推荐算法中,仅通过信任关系或是用户相似性来为目标用户筛选值得信任的朋友,却没有将用户信任和用户相似性有效结合,这在一定程度上会对推荐的精度有所影响。将意见领袖与推荐系统相结合也可以较好的因对数据稀疏和冷启动所带来的问题,但是已有的此类推荐算法中对于意见领袖的筛选还比较草率,如仅通过3个或是更少的评价指标来进行筛选,且在筛选的过程中并未考虑这些评价指标的权重,这些问题可能会导致此类算法并不能获取足够高质量的用户来充当意见领袖,进而影响推荐的准确率。针对现存方法存在的不足,本文主要从以下三个方面进行研究:(1)本文提出了一种基于社交信任的矩阵分解推荐算法。在该算法中,本文通过电路学的启示,设计了一种新颖的信任电路算法,该算法能够将社交网络中的信任关系转化为电路,并通过节点电压法计算用户之间的信任值。然后将信任值与矩阵分解算法相结合,来为目标用户进行更加精确的推荐。在Epinions和Douban两个数据集上的实验证实本文所提出的方法具有更准确的推荐效果,同时也能很好的解决用户的冷启动问题。(2)本文提出了一种基于可靠朋友的个性化排名推荐算法,该算法通过信任电路算法来计算用户之间的信任值,并将用户之间的信任值与用户相似度相结合,来为目标用户获取更为可靠的朋友,然后本文将这些可靠朋友所交互过的项目进行了更加细致的分类,以计算目标用户交互不同项目的概率,最后通过实验证实了本文所提出的算法具有更高的推荐准确率,对于冷启动用户也有较好的推荐效果。(3)本文提出了一个基于意见领袖的协同过滤推荐算法,在该算法中首先对用户所在的社区进行划分,然后采用用户可信度、评分公正度、评分多样性、评分活跃度和社交活跃度这五种评价指标来对意见领袖进行筛选,以求获取更高质量的用户来为目标用户进行推荐。本文采用了两种不同类型的用户相似度计算方法来对冷启动用户和非冷启动用户分别进行处理,最后通过实验证实本文所提出的模型要明显优于现有的其他方法,尤其是对于冷启动用户,本文的模型可以获得更加优异的推荐效果。
融合社交信息的Top-N推荐算法研究
这是一篇关于推荐系统,协同过滤,知识图谱,社交信任,用户影响力的论文, 主要内容为随着互联网和信息技术的快速发展,人们已经进入了一个信息爆炸的时代。用户在享受网络生活的快捷和便利的同时,还伴随着“信息过载”问题。基于协同过滤的推荐算法由于其简单且高效的原理而成为了网络平台解决信息过载问题的有效解决方法之一。然而该类算法在遇到数据稀疏和冷启动问题时却无法得到准确的推荐。为了解决以上问题,相关学者尝试将社交信息引入矩阵分解技术,有效提高了推荐性能。然而一些社交信息同样存在数据稀疏等问题,导致推荐效果并不理想,因此有必要考虑充分挖掘社交信息来更好地改进传统推荐算法的不足。本文通过对现有社交信任以及用户影响力的度量方法进行优化改进,力求充分利用社交信任和用户影响力改善推荐性能。主要研究内容包括以下几个部分:(1)从隐式信任的角度出发,提出了一种基于用户偏好的信任度量模型。该模型在分析了传统用户偏好计算方法的多处不足后,考虑将知识图谱的实体特征作为辅助信息补充原始项目特征,挖掘用户对项目的潜在偏好,最终根据用户偏好的反馈结合初始信任度构建信任矩阵,以缓解用户历史评分数据存在的冷启动问题从而充分挖掘社交信任关系。(2)考虑到社交网络拓扑结构的相关特性,提出了一种改进的结构洞算法MSH(Modified Structural Hole)度量社交网络中用户的影响力。该算法利用信任网络作为社交网络,根据其特性求得邻居用户信息扩散贡献能力,最终结合邻居用户的信息扩散贡献值以及节点间相关重要性度量社交网络中节点的用户影响力。在多种大规模网络中的实验结果显示,MSH在信息传播模型(SI)中取得了更快的传播速度,证明了MSH能够有效识别社交网络中影响力用户。(3)融合社交信息的Top-N推荐算法研究。为了充分利用社交信息以缓解传统协同过滤算法存在的不足,提出了基于社交信任的社会化算法FSTA(Factored similarity models for Social Trust Ameliorated),该算法考虑到用户间信任关系存在差异,分别从信任者和被信任者的角度,将它们融合进矩阵分解技术的研究中;为了充分利用社交信息,接着在FSTA算法的基础上融入影响力用户并提出了基于社交信任和用户影响力的社会化算法FSTI(Factored similarity models with Social Trust and Influence),最终完成Top-N推荐排名过程。为了验证两种算法的有效性,在Movie Lens-1M和Book-crossing两个真实世界数据集上进行了广泛的实验,实验结果证明了FSTA和FSTI相比同类基准算法具有更高的推荐性能,其中FSTI表现的最好。同时冷启动实验表明,即使用户-项目间的交互稀疏,所提出两种算法仍可以保持良好的性能。
基于信任用户的社会化推荐算法研究
这是一篇关于社交信任,意见领袖,贝叶斯个性化排名,用户相似度,协同过滤的论文, 主要内容为电商平台和网络社交媒体的快速发展,让我们的生活更加丰富多彩,获取信息也更加方便,但是随之而来的是信息过载给我们上网所带来的巨大影响。而推荐系统则在一定程度上减轻了目前信息爆炸的问题,也可以有效的帮助人们更加迅速的寻觅到他们所需的信息。但是,数据稀疏和冷启动等问题会对推荐的质量造成较大的影响,如何克服这两个问题也成为了诸多学者研究的目标。已有研究表明利用信任信息可以在一定程度上解决数据稀疏和冷启动的问题,但是现有的推荐算法对于信任关系的处理,无法同时满足信任的非对称性、传递性、衰减性和多路性。将信任关系与个性化推荐系统相结合也能够获取较好的推荐效果,但是在现有的个性化推荐算法中,仅通过信任关系或是用户相似性来为目标用户筛选值得信任的朋友,却没有将用户信任和用户相似性有效结合,这在一定程度上会对推荐的精度有所影响。将意见领袖与推荐系统相结合也可以较好的因对数据稀疏和冷启动所带来的问题,但是已有的此类推荐算法中对于意见领袖的筛选还比较草率,如仅通过3个或是更少的评价指标来进行筛选,且在筛选的过程中并未考虑这些评价指标的权重,这些问题可能会导致此类算法并不能获取足够高质量的用户来充当意见领袖,进而影响推荐的准确率。针对现存方法存在的不足,本文主要从以下三个方面进行研究:(1)本文提出了一种基于社交信任的矩阵分解推荐算法。在该算法中,本文通过电路学的启示,设计了一种新颖的信任电路算法,该算法能够将社交网络中的信任关系转化为电路,并通过节点电压法计算用户之间的信任值。然后将信任值与矩阵分解算法相结合,来为目标用户进行更加精确的推荐。在Epinions和Douban两个数据集上的实验证实本文所提出的方法具有更准确的推荐效果,同时也能很好的解决用户的冷启动问题。(2)本文提出了一种基于可靠朋友的个性化排名推荐算法,该算法通过信任电路算法来计算用户之间的信任值,并将用户之间的信任值与用户相似度相结合,来为目标用户获取更为可靠的朋友,然后本文将这些可靠朋友所交互过的项目进行了更加细致的分类,以计算目标用户交互不同项目的概率,最后通过实验证实了本文所提出的算法具有更高的推荐准确率,对于冷启动用户也有较好的推荐效果。(3)本文提出了一个基于意见领袖的协同过滤推荐算法,在该算法中首先对用户所在的社区进行划分,然后采用用户可信度、评分公正度、评分多样性、评分活跃度和社交活跃度这五种评价指标来对意见领袖进行筛选,以求获取更高质量的用户来为目标用户进行推荐。本文采用了两种不同类型的用户相似度计算方法来对冷启动用户和非冷启动用户分别进行处理,最后通过实验证实本文所提出的模型要明显优于现有的其他方法,尤其是对于冷启动用户,本文的模型可以获得更加优异的推荐效果。
基于多语义信任关系的社会化推荐算法研究
这是一篇关于加权异构信息网络,加权元路径,项目流行度,社交信任,社会化推荐,非负矩阵分解的论文, 主要内容为随着信息技术的迅猛发展,多元化的在线数据规模越来越大,人们很难从中找到感兴趣且有用的信息。推荐系统的问世缓解了这一问题,它帮助用户更准确、高效的获取信息以满足用户的个性化需求。近年来,基于Web2.0的在线社交网络爆炸式增长,使得融合用户社交关系信息的社会化推荐算法在推荐领域得到了广泛使用。社会化推荐考虑到用户的行为偏好会受到其社交对象的影响,将用户的社交关系作为辅助信息引入推荐系统以缓解用户冷启动和评分数据稀疏问题。然而,现有的社会化推荐算法采用的用户社交信任网络是极度稀疏的,同时忽略了对用户间潜在社交信任的分析和挖掘,导致推荐准确率较低。因此,为解决上述问题,本文从用户间产生社交信任的原因出发,充分利用推荐系统内外部数据源来提高社会化推荐算法的性能,具体研究内容如下:(1)提出一种融合多语义信任度与全局信息的协同过滤算法。该算法首先引入加权异构信息网络来集成用户评分数据、社交网络、项目属性和用户标签等信息,利用包含不同语义信息的加权元路径挖掘用户间隐含的多种社交信任关系,并对其信任程度进行度量;其次,考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,改进了仅考虑共同评分项目上局部上下文信息的相似性度量方法,通过该方法计算用户间的相似度;最后,综合用户信任度和相似度进行评分预测。在两个真实数据集上的实验结果表明该算法有效的利用了系统内外部的信息,缓解了数据稀疏问题,提高了预测准确率。(2)针对系统无法获取额外的用户个人信息以及项目种类繁多时无法界定项目共有属性的场景,提出基于多语义信任关系的社会化矩阵分解推荐算法。该算法首先利用加权异构信息网络集成评分数据和项目类别信息以挖掘用户潜在的多语义信任关系,并结合用户间的显式社交信任重构用户社交信任网络;其次,设计两种不同的矩阵填充策略将用户的社交信息无缝整合到评分矩阵中;最后利用一种非负矩阵分解模型来预测评分矩阵中缺失的评分。在两个公开数据集上的大量实验验证了该算法在缓解用户冷启动和数据稀疏问题方面的有效性,推荐准确率方面也优于现有的社会化推荐算法。该论文有图25幅,表21个,参考文献64篇。
基于多语义信任关系的社会化推荐算法研究
这是一篇关于加权异构信息网络,加权元路径,项目流行度,社交信任,社会化推荐,非负矩阵分解的论文, 主要内容为随着信息技术的迅猛发展,多元化的在线数据规模越来越大,人们很难从中找到感兴趣且有用的信息。推荐系统的问世缓解了这一问题,它帮助用户更准确、高效的获取信息以满足用户的个性化需求。近年来,基于Web2.0的在线社交网络爆炸式增长,使得融合用户社交关系信息的社会化推荐算法在推荐领域得到了广泛使用。社会化推荐考虑到用户的行为偏好会受到其社交对象的影响,将用户的社交关系作为辅助信息引入推荐系统以缓解用户冷启动和评分数据稀疏问题。然而,现有的社会化推荐算法采用的用户社交信任网络是极度稀疏的,同时忽略了对用户间潜在社交信任的分析和挖掘,导致推荐准确率较低。因此,为解决上述问题,本文从用户间产生社交信任的原因出发,充分利用推荐系统内外部数据源来提高社会化推荐算法的性能,具体研究内容如下:(1)提出一种融合多语义信任度与全局信息的协同过滤算法。该算法首先引入加权异构信息网络来集成用户评分数据、社交网络、项目属性和用户标签等信息,利用包含不同语义信息的加权元路径挖掘用户间隐含的多种社交信任关系,并对其信任程度进行度量;其次,考虑项目流行度和用户偏好程度两个全局要素对用户相似度的影响,改进了仅考虑共同评分项目上局部上下文信息的相似性度量方法,通过该方法计算用户间的相似度;最后,综合用户信任度和相似度进行评分预测。在两个真实数据集上的实验结果表明该算法有效的利用了系统内外部的信息,缓解了数据稀疏问题,提高了预测准确率。(2)针对系统无法获取额外的用户个人信息以及项目种类繁多时无法界定项目共有属性的场景,提出基于多语义信任关系的社会化矩阵分解推荐算法。该算法首先利用加权异构信息网络集成评分数据和项目类别信息以挖掘用户潜在的多语义信任关系,并结合用户间的显式社交信任重构用户社交信任网络;其次,设计两种不同的矩阵填充策略将用户的社交信息无缝整合到评分矩阵中;最后利用一种非负矩阵分解模型来预测评分矩阵中缺失的评分。在两个公开数据集上的大量实验验证了该算法在缓解用户冷启动和数据稀疏问题方面的有效性,推荐准确率方面也优于现有的社会化推荐算法。该论文有图25幅,表21个,参考文献64篇。
基于深度学习的个性化推荐系统的研究
这是一篇关于推荐系统,卷积神经网络,胶囊网络,概率矩阵分解,社交信任,标签语义相似度的论文, 主要内容为近年来,随着互联网技术的迅速普及和快速发展,各类信息呈现爆发式的增长模式,这使得用户在堆积如山的信息量中找寻自己需要的信息变得困难起来,为了快速有效地帮助用户找到所需的内容,推荐系统应运而生。用户在网上冲浪过程中留下了大量的隐式反馈行为信息,这些数据对于探究用户的喜好有着极大的意义。当前,众多研究人员对融合隐式反馈信息的推荐算法做出了一定研究,可以分为两类:一种是针对隐式反馈数据建立用户兴趣与评分;另一种是针对矩阵分解技术的改进。针对这两类,本文也做出了改进,针对第一类,以隐式反馈数据为基础,并使用深度学习技术充分挖掘用户的隐式特征,将用户的偏好转化为多分类问题;针对第二类,隐式反馈信息的引入可以解决由评分过少而导致的推荐的效果不佳问题,本文通过对现有的用户和项目相似度进行优化改进,力求充分利用社交和标签信息来改善推荐性能。本文主要研究工作和创新如下:(1)针对网络浏览行为的多样性以及用户间不同的兴趣偏好的特点,提出了一种基于网络用户浏览行为的用户偏好分类模型。首先,使用卷积神经网络对多种浏览行为的特征进行局部提取;其次,使用胶囊网络对行为特征进行整体提取;最后,使用softmax分类器对用户的浏览行为进行偏好预测。实验证明该模型能够对用户的情感偏好进行准确的预测。(2)针对传统推荐系统中基于评分的用户和项目相似度的不准确性造成的推荐效果不佳问题,提出了一种基于社交信任和标签语义相似度的概率矩阵分解模型。首先,对用户的相似度进行改进,利用用户的朋友关系、偏好相似度和标签行为构建一种新的社交信任来准确地描述用户之间的关系。然后,通过Sentence-BERT计算项目标签之间的语义相似度,依次选出最大相似度的标签对,并添加每个标签的权重,从而计算出项目之间的相似度。最后,在概率矩阵分解过程中将社交网络信任和基于标签语义的项目相似度融入到隐式评分数据,从而可以得到用户和项目的潜在特征因子,通过拟合他们来预测评分并进行Top-N推荐。在last.fm-2k数据集上进行了充分的实验,结果表明该模型能有效地改善了推荐系统的稀疏性和冷启动问题。
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：代码工厂 ，原文地址：https://bishedaima.com/lunwen/49193.html
