基于自注意力的協(xié)同演進推薦研究
發(fā)布時間：2021-09-23 08:03
為解決傳統(tǒng)的推薦算法中數(shù)據(jù)稀疏的問題,融合時序信息和知識圖譜的關系信息已經(jīng)成為解決這一問題的重要途徑。融合時序信息的方法能建模用戶興趣的演化,卻忽略了項目交互序列的語義關系和參數(shù)共享導致的信息丟失問題,基于知識圖譜的方法挖掘語義路徑和拓撲關系,忽略了時序信息和已有語義路徑對知識圖譜構建影響。針對以上問題,本文提出基于自注意力的協(xié)同演進推薦算法,緩解了數(shù)據(jù)稀疏,提高了推薦性能。針對融合時序信息推薦算法不能有效獲取和利用項目交互序列的語義關系以及因參數(shù)共享而導致的信息丟失問題,提出了基于語義關系提取的協(xié)同演進推薦算法。該方法首先利用循環(huán)神經(jīng)網(wǎng)絡和自注意力機制分別提取的序列特征和語義關系特征作為用戶和項目的短期特征,解決了交互序列語義提取不完整的問題和信息丟失的問題;其次利用矩陣分解抽取用戶和項目的長期特征;接著將用戶和項目的長短期特征進行融合,并利用多層感知機進行評分預測,解決了內積帶來的排序損失。該算法在公開數(shù)據(jù)集的評估結果表明,該算法能夠有效的提高推薦的準確性。針對以往基于知識圖譜方法在構建時忽略時序性及已有語義路徑信息影響的問題,提出基于語義路徑提取的知識圖譜的時序增量構建算法。對每...
【文章來源】：中國民航大學天津市
【文章頁數(shù)】：54 頁
【學位級別】：碩士
【部分圖文】：
不同序列長度l以及維度D取值對HR的影響
中國民航大學碩士學位論文24圖3-3不同序列長度l以及維度D取值對HR的影響圖3-4不同序列長度l和維度D取值對NDCG的影響圖3-3和圖3-4也展示了隱向量維度對推薦結果的影響，本文將D取值50,100和150進行實驗，理論上增加隱向量的維度將會提高推薦的準確度，但是從圖3-3和圖3-4可以發(fā)現(xiàn)并不完全符合理論，只是在總得趨勢上有一定的增長�？梢钥闯�，序列長度為8維度150時，評估指標達到了最大值，可見增加維度一定程度能夠提高推薦的準確度，但也不能過大，過大將會使得模型出現(xiàn)過擬合的問題。不同模型特征提取能力的對比。3.6.5實驗結果及分析本小節(jié)先評估了循環(huán)神經(jīng)網(wǎng)絡和自注意力機制模塊對推薦性能的影響，然后評估其他對比方法和本方法的對比。1、序列處理模型的影響B(tài)SFRNN融合了LSTM提取的時序特征以及自注意力機制提取的語義特征。
中國民航大學碩士學位論文35要的影響。圖4-2兩個數(shù)據(jù)集上不同長度路徑的HR@10和NDCG@102．KGCR與其他方法對比分別在兩個真實數(shù)據(jù)集Movielen-100K和Yelp上將KGCR與其他的方法做了對比，對比的結果如表4-2和4-3所示：表4-2Movielen-100K數(shù)據(jù)集整體性能對比HR@kNDCG@k5102051020NCF0.50110.68320.82040.35130.41660.4280MCRec0.57640.58730.60790.43540.40010.3809CKE0.47230.51250.68120.30130.31420.3902RGKT0.54120.67030.72560.33120.33010.3458KGAT0.45090.59020.69020.34680.35770.3529KGCR0.52710.69420.82120.35050.42050.4110KGCR_N0.48770.54480.70310.30780.20330.2988表4-3Yelp數(shù)據(jù)集整體性能對比HR@kNDCG@k5102051020NCF0.11230.13600.20110.16500.11230.0543MCRec0.12020.11430.11560.18150.18280.1798CKE0.09310.10980.11720.12120.11310.0821RGKT0.13250.14010.13120.08940.12540.1024KGAT0.13340.13820.15520.17580.12680.1256KGCR0.13980.14020.21670.18320.19830.1804KGCR_N0.11020.12540.17230.10980.10350.0964
【參考文獻】：
期刊論文
[1]個性化推薦系統(tǒng)研究綜述[J]. 蒲彬. 現(xiàn)代職業(yè)教育. 2016(23)
[2]知識表示學習研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰. 計算機研究與發(fā)展. 2016(02)
[3]電子商務個性化推薦系統(tǒng)綜述[J]. 黃春華,寇偉. 商. 2015(43)
本文編號：3405345
【文章來源】：中國民航大學天津市
【文章頁數(shù)】：54 頁
【學位級別】：碩士
【部分圖文】：
不同序列長度l以及維度D取值對HR的影響
中國民航大學碩士學位論文24圖3-3不同序列長度l以及維度D取值對HR的影響圖3-4不同序列長度l和維度D取值對NDCG的影響圖3-3和圖3-4也展示了隱向量維度對推薦結果的影響，本文將D取值50,100和150進行實驗，理論上增加隱向量的維度將會提高推薦的準確度，但是從圖3-3和圖3-4可以發(fā)現(xiàn)并不完全符合理論，只是在總得趨勢上有一定的增長�？梢钥闯�，序列長度為8維度150時，評估指標達到了最大值，可見增加維度一定程度能夠提高推薦的準確度，但也不能過大，過大將會使得模型出現(xiàn)過擬合的問題。不同模型特征提取能力的對比。3.6.5實驗結果及分析本小節(jié)先評估了循環(huán)神經(jīng)網(wǎng)絡和自注意力機制模塊對推薦性能的影響，然后評估其他對比方法和本方法的對比。1、序列處理模型的影響B(tài)SFRNN融合了LSTM提取的時序特征以及自注意力機制提取的語義特征。
中國民航大學碩士學位論文35要的影響。圖4-2兩個數(shù)據(jù)集上不同長度路徑的HR@10和NDCG@102．KGCR與其他方法對比分別在兩個真實數(shù)據(jù)集Movielen-100K和Yelp上將KGCR與其他的方法做了對比，對比的結果如表4-2和4-3所示：表4-2Movielen-100K數(shù)據(jù)集整體性能對比HR@kNDCG@k5102051020NCF0.50110.68320.82040.35130.41660.4280MCRec0.57640.58730.60790.43540.40010.3809CKE0.47230.51250.68120.30130.31420.3902RGKT0.54120.67030.72560.33120.33010.3458KGAT0.45090.59020.69020.34680.35770.3529KGCR0.52710.69420.82120.35050.42050.4110KGCR_N0.48770.54480.70310.30780.20330.2988表4-3Yelp數(shù)據(jù)集整體性能對比HR@kNDCG@k5102051020NCF0.11230.13600.20110.16500.11230.0543MCRec0.12020.11430.11560.18150.18280.1798CKE0.09310.10980.11720.12120.11310.0821RGKT0.13250.14010.13120.08940.12540.1024KGAT0.13340.13820.15520.17580.12680.1256KGCR0.13980.14020.21670.18320.19830.1804KGCR_N0.11020.12540.17230.10980.10350.0964
【參考文獻】：
期刊論文
[1]個性化推薦系統(tǒng)研究綜述[J]. 蒲彬. 現(xiàn)代職業(yè)教育. 2016(23)
[2]知識表示學習研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰. 計算機研究與發(fā)展. 2016(02)
[3]電子商務個性化推薦系統(tǒng)綜述[J]. 黃春華,寇偉. 商. 2015(43)
本文編號：3405345
本文鏈接：http://sikaile.net/guanlilunwen/xiangmuguanli/3405345.html
教材專著
