推薦系統(tǒng)是近十年來(lái)非常熱門的研究方向。而近年來(lái)表示學(xué)習(xí)技術(shù)的迅猛發(fā)展,也大大推動(dòng)了推薦系統(tǒng)技術(shù)的進(jìn)步。在本文的研究中,我們主要探究了如何將一種新的表示學(xué)習(xí)技術(shù),圖嵌入技術(shù)分別應(yīng)用到兩個(gè)常見的推薦問(wèn)題上:即面向個(gè)人用戶的物品或朋友推薦,和面向群組用戶的物品推薦。傳統(tǒng)的面向個(gè)人用戶的推薦主要采取協(xié)同過(guò)濾算法,然而協(xié)同過(guò)濾主要面臨三個(gè)挑戰(zhàn)性問(wèn)題:（1）數(shù)據(jù)稀疏性問(wèn)題;（2）推薦效率問(wèn)題;（3）用戶決策的復(fù)雜性,即社交網(wǎng)絡(luò)平臺(tái)中用戶選擇物品不僅考慮自身興趣,還會(huì)參考朋友的選擇。反之,用戶選擇朋友也同樣會(huì)考慮用戶與物品間的交互關(guān)系。針對(duì)以上問(wèn)題,本文提出了不同場(chǎng)景下兩種面向個(gè)人的推薦算法。針對(duì)問(wèn)題（1）和（2）,本文提出了一種高效的自適應(yīng)混合協(xié)同物品推薦算法。該算法利用計(jì)算內(nèi)容張量相似度的方法得到基于內(nèi)容的推薦結(jié)果作為輔助信息,從而緩解數(shù)據(jù)稀疏性問(wèn)題;同時(shí),為了提高效率,本文采用了一種圖上的短路徑枚舉疊加算法;最后,采用自適應(yīng)的混合方法融合以上兩種方法的推薦結(jié)果,提高推薦性能。另外,針對(duì)問(wèn)題（1）和（3）,本文提出了基于圖嵌入技術(shù)的面向個(gè)人的聯(lián)合用戶和物品推薦算法。該算法利用用戶物品交互圖和用戶... 

【文章來(lái)源】：蘇州大學(xué)江蘇省 211工程院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３－１?ＡＨＣＦ算法框架圖??

基于圖嵌入技術(shù)的個(gè)人推薦與群組推薦算法研宄?第二章基于自適應(yīng)混合協(xié)同過(guò)濾的高效物品推？ｆ：算法??的鄰接物品標(biāo)簽對(duì)，可以認(rèn)為共享物品和標(biāo)簽的二元組信息的用戶是更相似的，這??種方法很大程度上去除了大量偶然相關(guān)用戶，為用戶找到興趣更相關(guān)的用戶。這種??情況下路徑得分計(jì)算與基本擴(kuò)展一樣，也是終點(diǎn)物品的評(píng)分。假設(shè)用戶通過(guò)二元??組＜?＞找到用戶計(jì)算用戶的歷史物品得分為：??Ｓ?ｐ（ｉｉｉ，＜Ｖｆ，ｒｍ＞，ｉｉｊ，＼，ｎ）?＝?Ｐｖ”。??圖３－３以基本擴(kuò)展模型為例描述了短路徑枚舉方法的計(jì)算示意圖，４代表用戶與??物品標(biāo)簽的鄰接矩陣，對(duì)于用戶與物品或標(biāo)簽有交互的位置設(shè)置為１，沒有交互的設(shè)??置為０，?代表Ａ的轉(zhuǎn)置。Ｐ是用戶與物品的交互矩陣，其中的物品得分都是該列物??品的正面率。矩陣相乘之后即為最終的預(yù)測(cè)矩陣見??圖３－３短路徑枚舉算法說(shuō)明圖??時(shí)間復(fù)雜度分析：對(duì)于傳統(tǒng)的基于ｋ近鄰的協(xié)同過(guò)濾算法，在將標(biāo)簽作為第三類??實(shí)體的基礎(chǔ)上，總的時(shí)間復(fù)雜度是〇（（ｒｖｉ＋ｍ）?？丨似丨２＋丨似丨？（丨切？?／嘆間＋ａ：？?ｍ）），前??半部分是計(jì)算用戶相似度矩陣，后半部分是對(duì)于每個(gè)用戶首先找出ｋ近鄰，然后針對(duì)??每個(gè)候選物品計(jì)算得分。對(duì)于隨機(jī)游走算法，其時(shí)間復(fù)雜度為〇（（丨糾＋?ｍ?＋?ｍ）３．Ａ〇，??其屮Ｗ是矩陣迭代的次數(shù)。而本章的短路徑枚平算法的吋間復(fù)雜度是＜９（（｜７｜?＋丨７１）－??丨似丨２?＋?ｒｗｉ２？?ｒｖｉ），就是三個(gè)矩陣相乘的時(shí)間復(fù)雜度，由于現(xiàn)有的技術(shù)可以很方便地對(duì)??矩陣乘法并行計(jì)算，因此實(shí)際操作時(shí)效申．極高。??３．２．４算法總結(jié)??最終算法的偽代碼如算法Ｉ所示。第一步，首先根據(jù)物品的內(nèi)容構(gòu)造張量，??Ｔｕｃ

基于圖嵌入技術(shù)的個(gè)人推荇與群組推薦算法研究?第二章基于自適應(yīng)混合協(xié)同過(guò)濾的咼效物品推薦算法??［ＸＺ：?ＵｓｅｒＫＮＮ??１２＇?＾?＼ＺＺ２?ＲＷ??１０－?Ｖ?ｃｔｄ?ＳＰ１??ｙ?□?ＳＰ２??Ｉ：ｌｌ?Ｒ??ｉ＾Ｌ??Ｍｏｖｉｅｌｅｎｓ?Ｏｏｕｂａｎ－Ｂｏｏｋ??ＤａｔａＳｅｔｓ??圖３－４協(xié)同過(guò)濾算法的運(yùn)行時(shí)間對(duì)比圖??品的平均記錄數(shù)分別為丨００和２０，可以看到當(dāng)〇和／？設(shè)置為丨００和２０時(shí)，準(zhǔn)確率能達(dá)到??最高。在表３－６中，抽取總數(shù)據(jù)集８０％的記錄作為訓(xùn)練集，此時(shí)用戶和物品的平均??記錄數(shù)約為３００和６０，ｉ」Ｊ■以看到當(dāng)ａ和盡設(shè)置為３００和６０時(shí)，精確度也ｉ」ｊ＇以達(dá)到最高。??因此，每一次在混合計(jì)算之前，首先計(jì)算當(dāng)前數(shù)據(jù)集的用戶與物品的平均記錄數(shù)，??將ａ和分別設(shè)置為對(duì)應(yīng)值。對(duì)于Ｄｏｕｂａｎ－?Ｂｏｏｋ也使用這種方法設(shè)置。??表３－５訓(xùn)練集占比２０％時(shí)噦對(duì)準(zhǔn)確度的影響??１００?２００?４００?６００??１０?０．５２８?０．５２８０．５２７￣￣０．５２６??￣＾０?０．５２８?０．５２４０．５２２０．５１８??＾０?０．４９７０．４６５￣￣０．３８２￣￣０．３１５??６０?￣０．４１８?０．３０２?０．１９０?０．１３２??表３－６訓(xùn)練集占比８０％時(shí)ｄ叫對(duì)準(zhǔn)確度的影響??２００?３００?４００?６００??２０?０．１３４?０．１３４?０．１３４?０．１３４??４０?０．２３２?０．２３１￣￣０２３１￣￣０．２３１??＾６００．２３３￣￣０．２３３￣￣０．２３２￣￣０．２３２??８０?￣０．２３３?０．２３３

【參考文獻(xiàn)】：
期刊論文
[1]基于用戶近鄰的N維張量分解推薦算法[J]. 陳健美,孫亞軍.  計(jì)算機(jī)工程. 2017(11)
[2]基于動(dòng)態(tài)k近鄰的SlopeOne協(xié)同過(guò)濾推薦算法[J]. 孫麗梅,李晶皎,孫煥良.  計(jì)算機(jī)科學(xué)與探索. 2011(09)
[3]通過(guò)相似度支持度優(yōu)化基于K近鄰的協(xié)同過(guò)濾算法[J]. 羅辛,歐陽(yáng)元新,熊璋,袁滿.  計(jì)算機(jī)學(xué)報(bào). 2010(08)
[4]協(xié)同過(guò)濾在推薦系統(tǒng)中的應(yīng)用研究[J]. 王霞,劉琴.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2005(04)



本文編號(hào)：3315015