在信息過載的時代,推薦系統(tǒng)在各種在線服務(wù)中發(fā)揮著舉足輕重的作用,其目的是將用戶的興趣點與資源進(jìn)行匹配。傳統(tǒng)的推薦方法,如矩陣分解,主要是利用歷史的用戶-商品的交互記錄來建模用戶對商品的偏好。如今,各種各樣的輔助數(shù)據(jù)在推薦系統(tǒng)中變得容易獲取,并且這些信息可以用來提高推薦性能。近年來,由多種節(jié)點或邊組成的異質(zhì)信息網(wǎng)絡(luò)（HIN）作為一種融合復(fù)雜信息的強(qiáng)大建模方法被提出,并成功地應(yīng)用于許多數(shù)據(jù)挖掘任務(wù)中。由于異質(zhì)信息網(wǎng)絡(luò)在建模數(shù)據(jù)異質(zhì)性方面的靈活性,近年來在推薦系統(tǒng)中也被用來表征豐富的輔助數(shù)據(jù),這種設(shè)定下的推薦算法被稱為基于異質(zhì)信息網(wǎng)絡(luò)的推薦方法�，F(xiàn)有的基于異質(zhì)信息網(wǎng)絡(luò)的推薦方法主要依賴于基于元路徑的相似性,并通常學(xué)習(xí)一種線性加權(quán)機(jī)制將路徑相似性或隱層因子結(jié)合起來進(jìn)行推薦。這些方法無法有效地提取和利用異質(zhì)信息網(wǎng)絡(luò)中豐富的輔助信息進(jìn)行推薦。與此同時,以學(xué)習(xí)每個節(jié)點的低維表示向量為目標(biāo)的網(wǎng)絡(luò)表示學(xué)習(xí)在結(jié)構(gòu)特征提取中顯示出一定的潛力,并已成功應(yīng)用于許多數(shù)據(jù)挖掘任務(wù)中。在現(xiàn)有的網(wǎng)絡(luò)表示學(xué)習(xí)方法中,大部分都側(cè)重于同質(zhì)網(wǎng)絡(luò),不能直接應(yīng)用于異質(zhì)信息網(wǎng)絡(luò)。因此,人們的注意力正日益轉(zhuǎn)向異質(zhì)信息網(wǎng)絡(luò)的表示學(xué)習(xí)的研... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：95 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于協(xié)同過濾的推薦
        1.2.2 基于異質(zhì)信息網(wǎng)絡(luò)的推薦
        1.2.3 基于深度學(xué)習(xí)和注意力機(jī)制的推薦
        1.2.4 網(wǎng)絡(luò)表示學(xué)習(xí)
    1.3 本文主要工作內(nèi)容
        1.3.1 基于異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)的推薦
        1.3.2 基于元路徑上下文的推薦
        1.3.3 異質(zhì)信息網(wǎng)絡(luò)中融合局部信息和全局信息的推薦
        1.3.4 基于屬性異質(zhì)信息網(wǎng)絡(luò)表示的套現(xiàn)用戶檢測推薦應(yīng)用
    1.4 論文結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 相關(guān)概念介紹及問題定義
    2.1 矩陣分解算法
    2.2 異質(zhì)信息網(wǎng)絡(luò)
    2.3 網(wǎng)絡(luò)表示學(xué)習(xí)
    2.4 注意力機(jī)制
    2.5 基于異質(zhì)信息網(wǎng)絡(luò)的推薦
    2.6 本章小結(jié)
第三章 基于異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)的推薦
    3.1 引言
    3.2 模型設(shè)計與描述
        3.2.1 異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)
        3.2.2 基于異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)的推薦
        3.2.3 模型分析
    3.3 實驗設(shè)計與分析
        3.3.1 實驗數(shù)據(jù)集
        3.3.2 評價指標(biāo)和對比方法
        3.3.3 有效性實驗
        3.3.4 HERec的詳細(xì)分析
    3.4 本章小結(jié)
第四章 基于元路徑上下文的推薦
    4.1 引言
    4.2 模型設(shè)計與描述
        4.2.1 用戶和商品的表示
        4.2.2 描述交互的基于元路徑的上下文
        4.2.3 通過協(xié)同注意力機(jī)制提升交互表示
        4.2.4 模型學(xué)習(xí)和討論
    4.3 實驗設(shè)計與分析
        4.3.1 實驗設(shè)置
        4.3.2 實驗結(jié)果
        4.3.3 MCRec的詳細(xì)分析
    4.4 本章小結(jié)
第五章 異質(zhì)信息網(wǎng)絡(luò)中融合局部信息和全局信息的推薦
    5.1 引言
    5.2 模型描述與分析
        5.2.1 基于協(xié)同注意力機(jī)制和局部信息的基本推薦模型
        5.2.2 基于多標(biāo)簽分類的全局信息建模
        5.2.3 統(tǒng)一的模型
    5.3 實驗設(shè)計與分析
        5.3.1 實驗設(shè)置
        5.3.2 實驗結(jié)果及分析
    5.4 本章小結(jié)
第六章 基于屬性異質(zhì)信息網(wǎng)絡(luò)表示的套現(xiàn)用戶檢測推薦應(yīng)用
    6.1 引言
    6.2 數(shù)據(jù)分析
    6.3 算法設(shè)計與描述
        6.3.1 特征抽取
        6.3.2 層次注意力機(jī)制
        6.3.3 模型學(xué)習(xí)與分析
    6.4 實驗設(shè)計與分析
        6.4.1 實驗設(shè)置
        6.4.2 有效性實驗
        6.4.3 HACUD的詳細(xì)分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文的主要貢獻(xiàn)
    7.2 工作展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄



本文編號：3052831