基于交互时间和社交网络的图神经网络推荐算法研究
这是一篇关于时间权重,社交信任,图神经网络,个性化推荐的论文, 主要内容为信息技术的迅猛发展,引发了数据的爆炸式增长,使人们进入了一个信息过载的时代。现今社会,如何从海量数据中快速准确的挖掘有用信息成为一个亟待解决的问题。基于此,推荐系统应运而生。推荐系统能根据用户兴趣偏好主动为用户提供有针对性信息,其核心是推荐算法的设计。在众多推荐算法中,协同过滤算法无疑是最经典、应用最广泛的一种算法,但是传统的协同过滤推荐算法通常存在数据稀疏和冷启动问题,并且忽略了用户兴趣会随时间发生变化的特性。为了解决这些问题,融合辅助信息是一种非常有效的方法。此外,近年来图神经网络的出现,使得人们可以利用图来挖掘节点更深层的信息,丰富节点的嵌入表示,因此利用图神经网络进行个性化推荐是一个非常有潜力的研究方向。本文为了提高算法性能并缓解模型的用户冷启动问题,将交互时间和社交网络融入到图神经网络算法中,提出一种融合时间权重和社交信任的图神经网络推荐算法(TSLGCN)。本文的主要工作如下:首先,提出融入时间权重的图神经网络算法,得到基于历史交互数据的用户和项目的向量表示。根据用户历史交互数据构建用户-项目交互图,在此基础上,通过用户交互时间计算交互项目的时间权重值。然后将时间权重值和用户评分融入到图神经网络算法中,通过高阶邻域聚合得到用户和项目的向量表示。该算法在得到用户的向量表示时,考虑到了用户对项目的兴趣随时间的变化,提高了算法的准确性。随后,提出基于社交信任的图神经网络算法,得到基于社交网络的用户的向量表示。根据用户社交关系构建用户社交网络图,利用用户之间共同交互项目数量与阈值的对比,计算社交好友之间的信任值,并将社交信任值融入图神经网络算法中,通过两层邻域聚合来得到基于用户社交网络图的用户向量表示。该算法从用户的社交网络角度出发,在一定程度上能缓解模型的用户冷启动问题。然后,将融入时间权重的神经网络算法与基于社交信任的图神经网络推荐算法进行加权融合,得到一种融合时间权重和社交信任的推荐算法。最后,使用Yelp公开数据集对模型参数进行择优,并在此基础上与五种对照算法进行对比验证本文算法的有效性。实验结果表明,本文模型的精确率、召回率和归一化折损累计增益值均高于其它对照模型。
基于交互时间和社交网络的图神经网络推荐算法研究
这是一篇关于时间权重,社交信任,图神经网络,个性化推荐的论文, 主要内容为信息技术的迅猛发展,引发了数据的爆炸式增长,使人们进入了一个信息过载的时代。现今社会,如何从海量数据中快速准确的挖掘有用信息成为一个亟待解决的问题。基于此,推荐系统应运而生。推荐系统能根据用户兴趣偏好主动为用户提供有针对性信息,其核心是推荐算法的设计。在众多推荐算法中,协同过滤算法无疑是最经典、应用最广泛的一种算法,但是传统的协同过滤推荐算法通常存在数据稀疏和冷启动问题,并且忽略了用户兴趣会随时间发生变化的特性。为了解决这些问题,融合辅助信息是一种非常有效的方法。此外,近年来图神经网络的出现,使得人们可以利用图来挖掘节点更深层的信息,丰富节点的嵌入表示,因此利用图神经网络进行个性化推荐是一个非常有潜力的研究方向。本文为了提高算法性能并缓解模型的用户冷启动问题,将交互时间和社交网络融入到图神经网络算法中,提出一种融合时间权重和社交信任的图神经网络推荐算法(TSLGCN)。本文的主要工作如下:首先,提出融入时间权重的图神经网络算法,得到基于历史交互数据的用户和项目的向量表示。根据用户历史交互数据构建用户-项目交互图,在此基础上,通过用户交互时间计算交互项目的时间权重值。然后将时间权重值和用户评分融入到图神经网络算法中,通过高阶邻域聚合得到用户和项目的向量表示。该算法在得到用户的向量表示时,考虑到了用户对项目的兴趣随时间的变化,提高了算法的准确性。随后,提出基于社交信任的图神经网络算法,得到基于社交网络的用户的向量表示。根据用户社交关系构建用户社交网络图,利用用户之间共同交互项目数量与阈值的对比,计算社交好友之间的信任值,并将社交信任值融入图神经网络算法中,通过两层邻域聚合来得到基于用户社交网络图的用户向量表示。该算法从用户的社交网络角度出发,在一定程度上能缓解模型的用户冷启动问题。然后,将融入时间权重的神经网络算法与基于社交信任的图神经网络推荐算法进行加权融合,得到一种融合时间权重和社交信任的推荐算法。最后,使用Yelp公开数据集对模型参数进行择优,并在此基础上与五种对照算法进行对比验证本文算法的有效性。实验结果表明,本文模型的精确率、召回率和归一化折损累计增益值均高于其它对照模型。
基于交互时间和社交网络的图神经网络推荐算法研究
这是一篇关于时间权重,社交信任,图神经网络,个性化推荐的论文, 主要内容为信息技术的迅猛发展,引发了数据的爆炸式增长,使人们进入了一个信息过载的时代。现今社会,如何从海量数据中快速准确的挖掘有用信息成为一个亟待解决的问题。基于此,推荐系统应运而生。推荐系统能根据用户兴趣偏好主动为用户提供有针对性信息,其核心是推荐算法的设计。在众多推荐算法中,协同过滤算法无疑是最经典、应用最广泛的一种算法,但是传统的协同过滤推荐算法通常存在数据稀疏和冷启动问题,并且忽略了用户兴趣会随时间发生变化的特性。为了解决这些问题,融合辅助信息是一种非常有效的方法。此外,近年来图神经网络的出现,使得人们可以利用图来挖掘节点更深层的信息,丰富节点的嵌入表示,因此利用图神经网络进行个性化推荐是一个非常有潜力的研究方向。本文为了提高算法性能并缓解模型的用户冷启动问题,将交互时间和社交网络融入到图神经网络算法中,提出一种融合时间权重和社交信任的图神经网络推荐算法(TSLGCN)。本文的主要工作如下:首先,提出融入时间权重的图神经网络算法,得到基于历史交互数据的用户和项目的向量表示。根据用户历史交互数据构建用户-项目交互图,在此基础上,通过用户交互时间计算交互项目的时间权重值。然后将时间权重值和用户评分融入到图神经网络算法中,通过高阶邻域聚合得到用户和项目的向量表示。该算法在得到用户的向量表示时,考虑到了用户对项目的兴趣随时间的变化,提高了算法的准确性。随后,提出基于社交信任的图神经网络算法,得到基于社交网络的用户的向量表示。根据用户社交关系构建用户社交网络图,利用用户之间共同交互项目数量与阈值的对比,计算社交好友之间的信任值,并将社交信任值融入图神经网络算法中,通过两层邻域聚合来得到基于用户社交网络图的用户向量表示。该算法从用户的社交网络角度出发,在一定程度上能缓解模型的用户冷启动问题。然后,将融入时间权重的神经网络算法与基于社交信任的图神经网络推荐算法进行加权融合,得到一种融合时间权重和社交信任的推荐算法。最后,使用Yelp公开数据集对模型参数进行择优,并在此基础上与五种对照算法进行对比验证本文算法的有效性。实验结果表明,本文模型的精确率、召回率和归一化折损累计增益值均高于其它对照模型。
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。
融合信任用户反馈信息的推荐算法研究
这是一篇关于社交推荐,用户反馈,用户好恶信息,社交信任,隐式偏好的论文, 主要内容为随着移动互联网技术的发展和社交网络的兴起,网络已经成为人们获取和发布信息的主要方式,爆炸式增长的信息在给人们生活带来便利的同时,过载的信息也开始困扰人们的生活。为此,融合社交信息的个性化推荐不仅成为机器学习和数据挖掘领域的一个研究热点,也成为互联网和社交网站平台广为使用的一种智能化服务工具。现有的融合社交信息的个性化推荐方法主要以基于矩阵分解的协同过滤推荐为原型,将反映用户偏好的社交信息融入评分矩阵进行预测,很好地改善了推荐系统的精度。然而,现有的这些推荐方法过分依赖于用户评分之类的显式反馈,忽略了那些稀少但是直接反映用户好恶的反馈信息。为此,本文将以现有的融合社交信息的概率矩阵分解模型为基础,设计新的目标函数和推荐算法,以利用这些反映用户好恶的反馈信息来减少用户不喜欢项目在推荐列表中出现的概率。本文工作具体描述如下:(1)提出了融合用户反馈信息的推荐算法。该方法以基于概率矩阵分解的推荐作为基本模型,将这些稀疏却能精确反映用户好恶的反馈信息引入用户评分预测函数,并通过社交网络信任度计算来改善隐式反馈信息的数据稀疏性,在不降低算法整体性能的前提下优化了推荐列表,实现了让用户反感或不喜欢内容的有效过滤。真实数据集上的实验结果验证了本算法的有效性。(2)提出了基于可信用户的推荐算法。虽然用户的好恶信息能大幅降低用户反感内容在推荐列表中出现的概率,但是绝大多数用户并没有这样直接的反映自身好恶的反馈信息。为此,本文将借助于信任计算,依据用户之间通过关注、转发等形式产生关联,将少数用户的好恶信息传播给这些关联用户,以充分利用这些稀少但有效的反馈信息来降低关联用户推荐内容中反感结果出现的概率。真实数据集上的实验结果验证了本算法的有效性。(3)基于上述算法,本文设计并实现了一个融合信任用户反馈的推荐算法应用系统。本系统在对用户评分和反馈进行处理的基础上,利用本文提出的推荐算法,有效实现了用户喜好电影列表的推荐,尤其是当用户输入了“不感兴趣”之类的反馈时,与之相关的内容会有效过滤。
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/56096.html
