基于知识图谱的个性化推荐算法研究
这是一篇关于推荐算法,知识图谱,显式反馈,隐式反馈的论文, 主要内容为近年来,推荐系统作为解决信息过载问题的重要手段受到了研究者们的高度重视,然而数据稀疏性、冷启动、准确性等问题仍限制着推荐系统性能的发挥,因此研究者们提出了在推荐系统中引入辅助信息的解决方案。知识图谱作为推荐系统中一种重要的辅助信息受到了研究者们的广泛关注,这使基于知识图谱的个性化推荐算法已经成为了当今推荐领域的研究热点。因此本文的主要研究工作是,分别针对利用显式反馈数据进行评分预测与利用隐式反馈数据进行TOP-N推荐的场景提出了两种基于知识图谱的个性化推荐算法。在利用显式反馈数据进行用户评分预测的场景下,为解决数据稀疏性问题以及提高推荐准确性,本文将知识图谱引入神经协同过滤模型中,提出了一种知识图谱嵌入辅助的神经协同过滤模型。该模型利用融合广义矩阵分解的神经协同过滤模型构建推荐模块,利用一种深度语义匹配模型构建知识表示模块,通过交叉连接模块融合推荐模块与知识表示模块,将知识图谱作为辅助信息引入推荐系统中,通过推荐模块知识表示模块交替训练的方式,使知识表示模块辅助推荐模块训练,有效提高了评分预测效果。通过实验表明,该模型不仅比User CF方法在MAE、RMSE上分别提升了9.46%、10.18%,而且还能有效缓解数据稀疏性问题。在利用隐式反馈数据进行TOP-N推荐的场景下,为解决隐式反馈数据的缺乏负反馈项目问题以及提高推荐准确性,本文提出了一种知识感知抽样的联合贝叶斯排序模型。该模型通过改进贝叶斯个性化排序算法,分别利用用户项目交互数据和项目间联合购买数据建模了用户的偏序关系以及功能互补关系,提高了推荐准确性。此外,该模型构建了一种知识感知的抽样策略,同时考虑了负反馈项目的信息性与真实性,解决了隐式反馈数据存在的缺乏负反馈项目问题。通过实验表明,该模型比贝叶斯个性化排序算法在Precision@10、Recall@10、NDCG@10上分别提升了44.79%、43.80%、38.93%。
面向选择偏差消除的无趣项挖掘及其在推荐系统中的应用研究
这是一篇关于协同过滤,显式反馈,选择偏差,无趣项,生成对抗网络的论文, 主要内容为随着大数据、云计算和物联网等技术的快速发展,互联网中的数据规模也呈现出爆炸式的增长态势,推荐系统成为大数据背景下研究和应用的热点领域。协同过滤作为最经典的推荐方法,在工业界应用广泛,然而其仍面临显式评分数据中固有的数据稀疏性和用户选择偏差等问题的挑战。用户选择偏差指用户倾向于选择和评价那些可能给他们带来高满意度的项目,而忽略那些可能带来低满意度的项目。换言之,评分数据不是随机缺失的,而是用户自由选择的结果。这导致观察到的评分数据并不是所有评分的代表性样本,其偏向于表达用户的正面偏好,且负样本更容易从观察到的评分数据中缺失。然而大多数协同过滤算法专注于更好的拟合观察到的评分数据以建立用户偏好模型,从而导致模型有偏,在Top N推荐任务中表现不佳。本文主要针对这些问题做出如下工作:(1)提出一种基于无趣项挖掘的通用数据填充方案,从数据层面消除选择偏差。为挖掘缺失项中的无趣项,提出使用前偏好的概念。根据“看见未交互”的项目表现用户负面偏好的经验,结合用户活跃度、项目流行度和时间因素综合衡量用户时点可见性,并提出基于用户时点可见性的加权矩阵分解算法对缺失项的使用前偏好建模。将使用前偏好低的项目作为无趣项并以低值填充。(2)提出了一种基于生成对抗网络的通用数据增强框架,使用去噪自编码器作为生成器以捕捉用户项目交互背后复杂的非线性潜在因素并提高模型面对自然噪声的鲁棒性。使用矢量对抗训练以避免标签矛盾问题并保证平滑地回传梯度,通过掩模操作来模拟评分数据的稀疏性,添加评分向量的重建损失作为正则项以避免生成器生成平凡解。针对选择偏差场景,结合上文的无趣项挖掘方法,提出了一种基于无趣项注入的数据增强模型成功解决这一挑战。实验结果显示,本文方法能够有效缓解数据稀疏性并消除用户选择偏差,显著提高现有基于显式反馈协同过滤算法的Top N推荐性能。
个性化学习推荐技术研究
这是一篇关于异构信息网络,图卷积神经网络,隐式反馈,显式反馈的论文, 主要内容为大规模在线开放课程(MOOC)的教学模型为人们提供了便捷的学习场景.网络课程资源的快速增长,导致学习者在面对海量的课程资源数据的时候容易产生信息过载问题.为了帮助人们快速地寻找到合适的,真正感兴趣的课程,同时让优质的网络课程被更多人了解到,在这样的背景环境下,利用推荐系统,分析学习者的历史行为数据,挖掘其潜在偏好信息,实现对学习者的个性化推荐十分必要.但是,当用户与项目的历史交互记录较少的时候,传统推荐算法通常会产生冷启动等问题,导致算法性能受到限制.针对上述问题,考虑到异构信息网络中存在大量的语义信息,尝试将异构信息网络与矩阵分解模型进行结合,并采用显隐式反馈结合的方法提高模型性能.本文的研究内容主要包括:(1)对MOOC平台上的数据进行异构网络建模,通过元路径来获取用户和课程之间的语义关联,然后通过图卷积神经网络学习不同元路径下的内容特征表示.为了充分地利用图卷积神经网络的各层邻居节点的特征信息,将原来单一串行的图卷积层分层传播结构改为跨层连接的结构.通过级联各个图卷积层,获得不同阶邻居节点的特征联合表示.最后,为了区分不同元路径下的内容特征表示的贡献程度,通过注意力机制对其进行融合得到全局特征表示,然后再将其应用于矩阵分解模型当中.(2)结合不同用户反馈机制下的推荐算法来对用户的历史行为数据进行训练.首先采用了一种基于课程热门度和相似度的加权概率采样算法进行负样本采样,使用成对排序学习的方法进行训练.其次采用了一种隐式评分机制将用户的历史日志数据转换为评分数据,使用均方误差损失的方法进行训练.最后将两者的训练结果进行结合得到最终的推荐列表.为了验证模型的可行性与有效性,在MOOCCube数据集和自制的IMOOC数据集上进行实验.同时对比经典的推荐算法,考虑模型中重要的参数和组件对模型性能的影响,设计不同的消融实验和对比实验,并对实验结果进行综合的分析与评价.
融合显式和隐式反馈的协同过滤推荐算法研究
这是一篇关于个性化推荐,协同过滤,显式反馈,隐式反馈的论文, 主要内容为随着电子商务和流媒体平台的兴起,网络中存储着越来越多的数据和服务,信息过载问题也随之出现,推荐系统是解决此类问题的有效技术之一。个性化推荐不仅能帮助用户快速地过滤信息,还能为商家带来巨大利润,因此推荐系统受到了广泛的研究与应用。协同过滤是推荐系统中使用最为广泛的推荐算法,此类算法主要使用用户与物品的交互数据来挖掘用户的偏好从而进行推荐,交互数据可分为显式反馈和隐式反馈,现有的协同过滤算法普遍采用单一的反馈进行推荐,而两种反馈之间存在着互补关系,融合显式反馈和隐式反馈进行更加有效地推荐一直是一个研究问题,该问题主要面临两大挑战,即如何解决两种反馈的异质性以及如何利用两种反馈的优势。本文对此类问题进行了研究,主要研究工作如下:1.提出了一种融合显隐式反馈的协同过滤推荐方法。该方法直接对评分矩阵进行嵌入获取用户和物品的全局偏好向量,保留了显式反馈反映用户偏好程度的能力。然后将用户(或物品)的全局偏好向量和隐式反馈中提取的物品(或用户)潜在向量进行融合。显式反馈相对于隐式反馈能更加准确地反映用户的偏好以及偏好程度,因此,该方法赋予显式反馈相较于隐式反馈更大的权重,使模型对显式反馈中的特征更加敏感,提高模型捕获用户偏好的能力,从而提高推荐的效果。2.提出一种基于多任务学习的显隐式协同过滤推荐方法。该方法使用两个辅助任务分别处理显式反馈和隐式反馈,使用主任务融合显式反馈和隐式反馈。由于多任务学习模型的所有任务共享底层参数,底层参数将会由所有任务联合更新,这使得显式反馈和隐式反馈知识共享,从而提高推荐的效果。3.本文提出的推荐算法都在公开的数据集上进行了广泛的实验,验证了算法的有效性。并且使用本文提出的推荐算法作为推荐引擎设计并实现了一个电影推荐系统,通过对个性化推荐的结果进行展示和分析,证明了算法的实用性。
基于知识图谱的个性化推荐算法研究
这是一篇关于推荐算法,知识图谱,显式反馈,隐式反馈的论文, 主要内容为近年来,推荐系统作为解决信息过载问题的重要手段受到了研究者们的高度重视,然而数据稀疏性、冷启动、准确性等问题仍限制着推荐系统性能的发挥,因此研究者们提出了在推荐系统中引入辅助信息的解决方案。知识图谱作为推荐系统中一种重要的辅助信息受到了研究者们的广泛关注,这使基于知识图谱的个性化推荐算法已经成为了当今推荐领域的研究热点。因此本文的主要研究工作是,分别针对利用显式反馈数据进行评分预测与利用隐式反馈数据进行TOP-N推荐的场景提出了两种基于知识图谱的个性化推荐算法。在利用显式反馈数据进行用户评分预测的场景下,为解决数据稀疏性问题以及提高推荐准确性,本文将知识图谱引入神经协同过滤模型中,提出了一种知识图谱嵌入辅助的神经协同过滤模型。该模型利用融合广义矩阵分解的神经协同过滤模型构建推荐模块,利用一种深度语义匹配模型构建知识表示模块,通过交叉连接模块融合推荐模块与知识表示模块,将知识图谱作为辅助信息引入推荐系统中,通过推荐模块知识表示模块交替训练的方式,使知识表示模块辅助推荐模块训练,有效提高了评分预测效果。通过实验表明,该模型不仅比User CF方法在MAE、RMSE上分别提升了9.46%、10.18%,而且还能有效缓解数据稀疏性问题。在利用隐式反馈数据进行TOP-N推荐的场景下,为解决隐式反馈数据的缺乏负反馈项目问题以及提高推荐准确性,本文提出了一种知识感知抽样的联合贝叶斯排序模型。该模型通过改进贝叶斯个性化排序算法,分别利用用户项目交互数据和项目间联合购买数据建模了用户的偏序关系以及功能互补关系,提高了推荐准确性。此外,该模型构建了一种知识感知的抽样策略,同时考虑了负反馈项目的信息性与真实性,解决了隐式反馈数据存在的缺乏负反馈项目问题。通过实验表明,该模型比贝叶斯个性化排序算法在Precision@10、Recall@10、NDCG@10上分别提升了44.79%、43.80%、38.93%。
个性化学习推荐技术研究
这是一篇关于异构信息网络,图卷积神经网络,隐式反馈,显式反馈的论文, 主要内容为大规模在线开放课程(MOOC)的教学模型为人们提供了便捷的学习场景.网络课程资源的快速增长,导致学习者在面对海量的课程资源数据的时候容易产生信息过载问题.为了帮助人们快速地寻找到合适的,真正感兴趣的课程,同时让优质的网络课程被更多人了解到,在这样的背景环境下,利用推荐系统,分析学习者的历史行为数据,挖掘其潜在偏好信息,实现对学习者的个性化推荐十分必要.但是,当用户与项目的历史交互记录较少的时候,传统推荐算法通常会产生冷启动等问题,导致算法性能受到限制.针对上述问题,考虑到异构信息网络中存在大量的语义信息,尝试将异构信息网络与矩阵分解模型进行结合,并采用显隐式反馈结合的方法提高模型性能.本文的研究内容主要包括:(1)对MOOC平台上的数据进行异构网络建模,通过元路径来获取用户和课程之间的语义关联,然后通过图卷积神经网络学习不同元路径下的内容特征表示.为了充分地利用图卷积神经网络的各层邻居节点的特征信息,将原来单一串行的图卷积层分层传播结构改为跨层连接的结构.通过级联各个图卷积层,获得不同阶邻居节点的特征联合表示.最后,为了区分不同元路径下的内容特征表示的贡献程度,通过注意力机制对其进行融合得到全局特征表示,然后再将其应用于矩阵分解模型当中.(2)结合不同用户反馈机制下的推荐算法来对用户的历史行为数据进行训练.首先采用了一种基于课程热门度和相似度的加权概率采样算法进行负样本采样,使用成对排序学习的方法进行训练.其次采用了一种隐式评分机制将用户的历史日志数据转换为评分数据,使用均方误差损失的方法进行训练.最后将两者的训练结果进行结合得到最终的推荐列表.为了验证模型的可行性与有效性,在MOOCCube数据集和自制的IMOOC数据集上进行实验.同时对比经典的推荐算法,考虑模型中重要的参数和组件对模型性能的影响,设计不同的消融实验和对比实验,并对实验结果进行综合的分析与评价.
面向选择偏差消除的无趣项挖掘及其在推荐系统中的应用研究
这是一篇关于协同过滤,显式反馈,选择偏差,无趣项,生成对抗网络的论文, 主要内容为随着大数据、云计算和物联网等技术的快速发展,互联网中的数据规模也呈现出爆炸式的增长态势,推荐系统成为大数据背景下研究和应用的热点领域。协同过滤作为最经典的推荐方法,在工业界应用广泛,然而其仍面临显式评分数据中固有的数据稀疏性和用户选择偏差等问题的挑战。用户选择偏差指用户倾向于选择和评价那些可能给他们带来高满意度的项目,而忽略那些可能带来低满意度的项目。换言之,评分数据不是随机缺失的,而是用户自由选择的结果。这导致观察到的评分数据并不是所有评分的代表性样本,其偏向于表达用户的正面偏好,且负样本更容易从观察到的评分数据中缺失。然而大多数协同过滤算法专注于更好的拟合观察到的评分数据以建立用户偏好模型,从而导致模型有偏,在Top N推荐任务中表现不佳。本文主要针对这些问题做出如下工作:(1)提出一种基于无趣项挖掘的通用数据填充方案,从数据层面消除选择偏差。为挖掘缺失项中的无趣项,提出使用前偏好的概念。根据“看见未交互”的项目表现用户负面偏好的经验,结合用户活跃度、项目流行度和时间因素综合衡量用户时点可见性,并提出基于用户时点可见性的加权矩阵分解算法对缺失项的使用前偏好建模。将使用前偏好低的项目作为无趣项并以低值填充。(2)提出了一种基于生成对抗网络的通用数据增强框架,使用去噪自编码器作为生成器以捕捉用户项目交互背后复杂的非线性潜在因素并提高模型面对自然噪声的鲁棒性。使用矢量对抗训练以避免标签矛盾问题并保证平滑地回传梯度,通过掩模操作来模拟评分数据的稀疏性,添加评分向量的重建损失作为正则项以避免生成器生成平凡解。针对选择偏差场景,结合上文的无趣项挖掘方法,提出了一种基于无趣项注入的数据增强模型成功解决这一挑战。实验结果显示,本文方法能够有效缓解数据稀疏性并消除用户选择偏差,显著提高现有基于显式反馈协同过滤算法的Top N推荐性能。
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：源码导航 ，原文地址：https://bishedaima.com/lunwen/56257.html
