隨著網(wǎng)絡(luò)信息的快速增長(zhǎng),由于信息過(guò)載問(wèn)題,人們無(wú)法從大量的新聞信息中獲取到滿(mǎn)意或者感興趣的新聞信息。個(gè)性化推薦是緩解網(wǎng)絡(luò)中信息過(guò)載情況的主要途徑,通過(guò)分析不同用戶(hù)的興趣與偏好,考慮彼此之間的相互影響,給相應(yīng)的用戶(hù)推薦其感興趣的內(nèi)容。國(guó)內(nèi)外學(xué)者對(duì)推薦算法進(jìn)行了廣泛的研究,其中,凝練的新聞文本的實(shí)體表示問(wèn)題、用戶(hù)興趣點(diǎn)動(dòng)態(tài)變化問(wèn)題、社交網(wǎng)絡(luò)中影響程度量化問(wèn)題是影響推薦效果的主要因素。針對(duì)以上問(wèn)題,本文從基于知識(shí)圖譜的特征量化和結(jié)合社交網(wǎng)絡(luò)結(jié)構(gòu)信息兩個(gè)方面對(duì)新聞推薦方法研究。在基于知識(shí)圖譜的特征量化方面,針對(duì)新聞包含大量實(shí)體關(guān)系、用戶(hù)興趣動(dòng)態(tài)變化等問(wèn)題,提出一種混合知識(shí)圖譜嵌入和主題詞嵌入的特征量化方法,旨在融合新聞文本的不同視角的特征。該方法不僅能融合新聞文本中實(shí)體之間的信息、增強(qiáng)其文本表示在主題方向的側(cè)重,而且可以通過(guò)注意力機(jī)制量化在時(shí)序上不同瀏覽記錄對(duì)用戶(hù)興趣與偏好的影響程度,從而得到包含更加豐富特征的文本、用戶(hù)的向量表示。實(shí)驗(yàn)結(jié)果表明,該方法有效解決了新聞文本的實(shí)體表示問(wèn)題、用戶(hù)興趣點(diǎn)動(dòng)態(tài)捕捉問(wèn)題,提高了預(yù)測(cè)的準(zhǔn)確度。在結(jié)合社交網(wǎng)絡(luò)結(jié)構(gòu)信息方面,針對(duì)用戶(hù)群體之間的存在交互影響,提出一...

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－３?Ｄｅｅｐｌｎｆ模型框架圖??Ｆｉｇ．?１－３?ｍｏｄｅｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?Ｄｅｅｐｌｎｆ??

?出了一種通過(guò)結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)（＿）和端到端的學(xué)習(xí)方法預(yù)測(cè)級(jí)聯(lián)大小的預(yù)??測(cè)器。Ｍａｔｓｕｂａｒａ等人［１９］通過(guò)精心設(shè)計(jì)從經(jīng)典的“易感染的’’（ＳＩ）模型擴(kuò)展的??ＳｐｉｋｅＭ模型，可以簡(jiǎn)潔靈活的分析影響傳播的上升和下降模式。??臉書(shū)、微信、微博等己經(jīng)成為我們?nèi)粘Ｉ钪胁豢苫蛉?...

圖１－４所示是第三章中的基于知識(shí)圖譜的特征量化與第四章結(jié)合社交網(wǎng)絡(luò)??結(jié)構(gòu)信息的預(yù)測(cè)推薦方法之間的關(guān)系圖

的研宄工作分??為基于知識(shí)圖譜的特征量化和結(jié)合社交網(wǎng)絡(luò)結(jié)構(gòu)信息的預(yù)測(cè)推薦兩個(gè)部分。??第三章???????????，?｜?預(yù)測(cè)推薦結(jié)果?｜???！???１?為數(shù)據(jù)庫(kù)???主題特征一｜??１????????１?采樣策略??ｆｌ?＾??實(shí)體特征?文本向量特征——推薦算法模塊?￣￣??....

圖２＿３注意力機(jī)制中的特征轉(zhuǎn)換??Ｆｉｇ．２－３?Ｆｅａｔｕｒｅ?ｃｏｎｖｅｒｓｉｏｎ?ｉｎ?ａｔｔｅｎｔｉｏｎ?ｍｅｃｈａｎｉｓｍ??

?北京化工大學(xué)碩士學(xué)位論文?；???ＬｅａｋｙＲｕＬＵ激活，注意力系數(shù)表示為：??ｎ?＿?ｅｘｐ＾ＬｅａｋｙＲｕＬＵ＾ｌＷｈｌ＾ｗＪＴｊ］））?式ｎ?ｎ、??ｌＪ?ＩｋｅＮｉ?ｅｘｐ（ＬｅａｋｙＲｕＬＵ（ａＴ［Ｗｈｌ＼＼Ｗｈ＾］））?Ｊ?）??其中Ｔ代表矩陣轉(zhuǎn)置，｜｜代表拼接。?....

圖２４卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｆｉｇ．２－４?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

?北京化工大學(xué)碩士學(xué)位論文???２．５社交網(wǎng)絡(luò)影響??在社交網(wǎng)絡(luò)中，節(jié)點(diǎn)（用戶(hù)、實(shí)體）受到其他各種原因的影響，如何量化這??些社會(huì)影響的強(qiáng)度是社交網(wǎng)絡(luò)影響分析的重點(diǎn)內(nèi)容。Ｔａｎｇ［ｌ７］等人提出的Ｔｏｐｉｃａｌ??Ａｆｆｉｎｉｔｙ?Ｐｒｏｐａｇａｔｉｏｎ（ＴＡＰ）量化了特定節(jié)點(diǎn)上....

本文編號(hào)：4004851