發(fā)布時(shí)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(shí)序信息和知識(shí)圖譜的關(guān)系信息已經(jīng)成為解決這一問題的重要途徑。融合時(shí)序信息的方法能建模用戶興趣的演化,卻忽略了項(xiàng)目交互序列的語義關(guān)系和參數(shù)共享導(dǎo)致的信息丟失問題,基于知識(shí)圖譜的方法挖掘語義路徑和拓?fù)潢P(guān)系,忽略了時(shí)序信息和已有語義路徑對(duì)知識(shí)圖譜構(gòu)建影響。針對(duì)以上問題,本文提出基于自注意力的協(xié)同演進(jìn)推薦算法,緩解了數(shù)據(jù)稀疏,提高了推薦性能。針對(duì)融合時(shí)序信息推薦算法不能有效獲取和利用項(xiàng)目交互序列的語義關(guān)系以及因參數(shù)共享而導(dǎo)致的信息丟失問題,提出了基于語義關(guān)系提取的協(xié)同演進(jìn)推薦算法。該方法首先利用循環(huán)神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制分別提取的序列特征和語義關(guān)系特征作為用戶和項(xiàng)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(xiàng)目的長期特征;接著將用戶和項(xiàng)目的長短期特征進(jìn)行融合,并利用多層感知機(jī)進(jìn)行評(píng)分預(yù)測,解決了內(nèi)積帶來的排序損失。該算法在公開數(shù)據(jù)集的評(píng)估結(jié)果表明,該算法能夠有效的提高推薦的準(zhǔn)確性。針對(duì)以往基于知識(shí)圖譜方法在構(gòu)建時(shí)忽略時(shí)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(shí)圖譜的時(shí)序增量構(gòu)建算法。對(duì)每... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

不同序列長度l以及維度D取值對(duì)HR的影響

中國民航大學(xué)碩士學(xué)位論文24圖3-3不同序列長度l以及維度D取值對(duì)HR的影響圖3-4不同序列長度l和維度D取值對(duì)NDCG的影響圖3-3和圖3-4也展示了隱向量維度對(duì)推薦結(jié)果的影響，本文將D取值50,100和150進(jìn)行實(shí)驗(yàn)，理論上增加隱向量的維度將會(huì)提高推薦的準(zhǔn)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�？梢钥闯觯蛄虚L度為8維度150時(shí)，評(píng)估指標(biāo)達(dá)到了最大值，可見增加維度一定程度能夠提高推薦的準(zhǔn)確度，但也不能過大，過大將會(huì)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(duì)比。3.6.5實(shí)驗(yàn)結(jié)果及分析本小節(jié)先評(píng)估了循環(huán)神經(jīng)網(wǎng)絡(luò)和自注意力機(jī)制模塊對(duì)推薦性能的影響，然后評(píng)估其他對(duì)比方法和本方法的對(duì)比。1、序列處理模型的影響B(tài)SFRNN融合了LSTM提取的時(shí)序特征以及自注意力機(jī)制提取的語義特征。

中國民航大學(xué)碩士學(xué)位論文35要的影響。圖4-2兩個(gè)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(duì)比分別在兩個(gè)真實(shí)數(shù)據(jù)集Movielen-100K和Yelp上將KGCR與其他的方法做了對(duì)比，對(duì)比的結(jié)果如表4-2和4-3所示：表4-2Movielen-100K數(shù)據(jù)集整體性能對(duì)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(duì)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(xiàn)】：
期刊論文
[1]個(gè)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(shí)表示學(xué)習(xí)研究進(jìn)展[J]. 劉知遠(yuǎn),孫茂松,林衍凱,謝若冰.  計(jì)算機(jī)研究與發(fā)展. 2016(02)
[3]電子商務(wù)個(gè)性化推薦系統(tǒng)綜述[J]. 黃春華,寇偉.  商. 2015(43)



本文編號(hào)：3405345