基于網(wǎng)絡表示學習的推薦算法研究與實現(xiàn)
發(fā)布時間：2021-07-23 05:13
互聯(lián)網(wǎng)和信息技術的飛速發(fā)展使得信息過載問題越來越嚴重。個性化推薦是解決信息過載問題的有效途徑,已被廣泛應用于新聞資訊、電子商務等領域,作為其核心的推薦算法近年來成為了研究熱點。協(xié)同過濾算法是目前應用最為廣泛的推薦算法,但該算法仍然存在著一些問題。它只考慮了用戶和物品兩類實體,忽略了用戶屬性、物品屬性、時間、用戶行為模式等上下文信息,推薦結果往往不盡人意。此外,隨著數(shù)據(jù)規(guī)模的不斷擴大,該類算法將面臨著嚴重的可擴展性問題。網(wǎng)絡表示學習技術可以有效的解決推薦算法的可擴展性問題,為推薦算法的研究提供了新的思路。本文基于網(wǎng)絡表示學習技術,對融合上下文信息的推薦算法進行了深入的探討和研究。根據(jù)不同的上下文信息融合方式,本文提出了兩種基于網(wǎng)絡表示學習的推薦算法:基于用戶-物品圖的網(wǎng)絡表示學習推薦算法（User-Item Graph based Network Embedding Recommendation,UIGNER）和基于元路徑的網(wǎng)絡表示學習推薦算法（Meta-Path based Network Embedding Recommendation,MPNER）。兩種算法均考慮了用戶屬性、物品屬...
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：84 頁
【學位級別】：碩士
【部分圖文】：
圖２－１個性化推薦系統(tǒng)工作原理??推薦算法是個性化推薦系統(tǒng)中最重要的技術，目前常用的推薦算法有ＣＢ算??
又?—??展５＾推存結果??圖２－１個性化推薦系統(tǒng)工作原理??推薦算法是個性化推薦系統(tǒng)中最重要的技術，目前常用的推薦算法有ＣＢ算??法和ＣＦ算法，其中ＣＦ算法又分為基于鄰域的推薦算法和基于模型的推薦算法，??下面重點介紹一下這幾種算法的實現(xiàn)原理。??２．１．２基于內(nèi)容的推薦算法??ＣＢ算法的核心原理是給用戶推薦和他過去喜歡的物品內(nèi)容相似的物品，通??過分析用戶過去接觸過的物品的內(nèi)容信息，學習用戶的興趣特征，進而根據(jù)物品??內(nèi)容特征和用戶興趣特征的匹配程度為用戶進行推薦。如圖２－２所示，Ｔｏｍ喜歡??看《鋼鐵俠２》這種美國科幻動作片，基于內(nèi)容的推薦算法就會給他推薦具有相??似內(nèi)容且符合他偏好的《鋼鐵俠３》。??－類型：科幻、動作?＼??演員：小羅伯特？唐尼…??鋼鐵俠２??�。�、?－??Ｔｏｍ?推薦、?廣??國家：美國?／??－麵：購、雜?＾??ＳＵＬ?演員：小羅伯特？唐尼．．．??ＳＭＭａｗ??鋼鐵俠３??圖２－２基于內(nèi)容的電影推薦示例??８??
ＣＢ算法一般包括四個步驟：物品內(nèi)容特征表示、用戶興趣特征表示、計算??用戶與物品的匹配度、將用戶未接觸過且匹配度較高的前Ｎ項物品推薦給目標??用戶。圖２－３展示了?ＣＢ算法的工作流程。??ｆｌ?ｈ?—?ｆｋ???＾?ｉｉ?０．１?０?．．．?０．２??、?一乂?一??物品＿?品內(nèi)繼輕〇６＿?Ｄａ??、?????????Ｉｎ?ＯＳ＿＿〇＿＿”?過濾??（?＾計算匹配度用戶與物?排序?１＾０名前??＾?特征?？??？品匹配度?？?ｎ項推薦??用好——?ｆ?ｆ?ｆ?結果?給用戶??數(shù)據(jù)?Ｔ１?Ｔ２?．．．?Ｔｋ??Ｉ?個??、?Ｕｉ?０．２?０．３?．．．?０．１?????Ｕ２?０．１?０?．．．?０．４?ｉ??學習用戶興趣特征＿？?旺??Ｕｍ?０．７?０．１?．．．?０??圖２－３?ＣＢ算法的工作流程圖??物品內(nèi)容特征表示是ＣＢ算法的核心，一般可以通過物品的屬性獲取。通常??來說，物品的屬性可以分為兩種：結構化屬性和非結構化屬性。所謂結構化屬性??就是可以直接被量化使用的屬性，如電影的種類、演員、導演等；而非結構化屬??性就是無法直接使用需要二次解析的屬性，如電影的評論、文字描述等。對于這??種文本類的屬性信息常用的特征表示方法是詞頻－逆文檔頻率算法（Ｔｅｒｍ??Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ?Ｄｏｃｕｍｅｎｔ?Ｆｒｅｑｕｅｎｃｙ，?ＴＦ－ＩＤＦ）和?ｗｏｒｄ２ｖｅｃ?算法。??獲取物品的內(nèi)容特征之后，就可以根據(jù)用戶的歷史偏好記錄來表示用戶的興??趣特征，假設用戶Ｕ喜歡的物品集合為Ｘ?＝?
【參考文獻】：
期刊論文
[1]網(wǎng)絡表示學習綜述[J]. 涂存超,楊成,劉知遠,孫茂松. 中國科學:信息科學. 2017(08)
[2]直推式網(wǎng)絡表示學習[J]. 張霞,陳維政,謝正茂,閆宏飛. 計算機科學與探索. 2017(04)
本文編號：3298672
【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校
【文章頁數(shù)】：84 頁
【學位級別】：碩士
【部分圖文】：
圖２－１個性化推薦系統(tǒng)工作原理??推薦算法是個性化推薦系統(tǒng)中最重要的技術，目前常用的推薦算法有ＣＢ算??
又?—??展５＾推存結果??圖２－１個性化推薦系統(tǒng)工作原理??推薦算法是個性化推薦系統(tǒng)中最重要的技術，目前常用的推薦算法有ＣＢ算??法和ＣＦ算法，其中ＣＦ算法又分為基于鄰域的推薦算法和基于模型的推薦算法，??下面重點介紹一下這幾種算法的實現(xiàn)原理。??２．１．２基于內(nèi)容的推薦算法??ＣＢ算法的核心原理是給用戶推薦和他過去喜歡的物品內(nèi)容相似的物品，通??過分析用戶過去接觸過的物品的內(nèi)容信息，學習用戶的興趣特征，進而根據(jù)物品??內(nèi)容特征和用戶興趣特征的匹配程度為用戶進行推薦。如圖２－２所示，Ｔｏｍ喜歡??看《鋼鐵俠２》這種美國科幻動作片，基于內(nèi)容的推薦算法就會給他推薦具有相??似內(nèi)容且符合他偏好的《鋼鐵俠３》。??－類型：科幻、動作?＼??演員：小羅伯特？唐尼…??鋼鐵俠２??�。�、?－??Ｔｏｍ?推薦、?廣??國家：美國?／??－麵：購、雜?＾??ＳＵＬ?演員：小羅伯特？唐尼．．．??ＳＭＭａｗ??鋼鐵俠３??圖２－２基于內(nèi)容的電影推薦示例??８??
ＣＢ算法一般包括四個步驟：物品內(nèi)容特征表示、用戶興趣特征表示、計算??用戶與物品的匹配度、將用戶未接觸過且匹配度較高的前Ｎ項物品推薦給目標??用戶。圖２－３展示了?ＣＢ算法的工作流程。??ｆｌ?ｈ?—?ｆｋ???＾?ｉｉ?０．１?０?．．．?０．２??、?一乂?一??物品＿?品內(nèi)繼輕〇６＿?Ｄａ??、?????????Ｉｎ?ＯＳ＿＿〇＿＿”?過濾??（?＾計算匹配度用戶與物?排序?１＾０名前??＾?特征?？??？品匹配度?？?ｎ項推薦??用好——?ｆ?ｆ?ｆ?結果?給用戶??數(shù)據(jù)?Ｔ１?Ｔ２?．．．?Ｔｋ??Ｉ?個??、?Ｕｉ?０．２?０．３?．．．?０．１?????Ｕ２?０．１?０?．．．?０．４?ｉ??學習用戶興趣特征＿？?旺??Ｕｍ?０．７?０．１?．．．?０??圖２－３?ＣＢ算法的工作流程圖??物品內(nèi)容特征表示是ＣＢ算法的核心，一般可以通過物品的屬性獲取。通常??來說，物品的屬性可以分為兩種：結構化屬性和非結構化屬性。所謂結構化屬性??就是可以直接被量化使用的屬性，如電影的種類、演員、導演等；而非結構化屬??性就是無法直接使用需要二次解析的屬性，如電影的評論、文字描述等。對于這??種文本類的屬性信息常用的特征表示方法是詞頻－逆文檔頻率算法（Ｔｅｒｍ??Ｆｒｅｑｕｅｎｃｙ－Ｉｎｖｅｒｓｅ?Ｄｏｃｕｍｅｎｔ?Ｆｒｅｑｕｅｎｃｙ，?ＴＦ－ＩＤＦ）和?ｗｏｒｄ２ｖｅｃ?算法。??獲取物品的內(nèi)容特征之后，就可以根據(jù)用戶的歷史偏好記錄來表示用戶的興??趣特征，假設用戶Ｕ喜歡的物品集合為Ｘ?＝?
【參考文獻】：
期刊論文
[1]網(wǎng)絡表示學習綜述[J]. 涂存超,楊成,劉知遠,孫茂松. 中國科學:信息科學. 2017(08)
[2]直推式網(wǎng)絡表示學習[J]. 張霞,陳維政,謝正茂,閆宏飛. 計算機科學與探索. 2017(04)
本文編號：3298672
本文鏈接：http://sikaile.net/kejilunwen/ruanjiangongchenglunwen/3298672.html
最近更新
教材專著
