發(fā)布時間：2021-03-14 23:09

　　隨著社交媒體的發(fā)展,在線用戶可以輕松地與朋友分享他們在產(chǎn)品或服務上的體驗。而社會化推薦系統(tǒng)可以用于個性化定制適合用戶需求的產(chǎn)品�，F(xiàn)有的社會化推薦方法試圖考慮社會化信息以提高推薦性能,但是它們沒有區(qū)分不同社會化信息的影響并且沒有對社會化信息進行深入分析。在本文中,將從社會化關系多元性和社會化關系強度兩方面進行研究。考慮社會化關系多元性的個性化推薦方法,利用好友信息和群組信息擴展了傳統(tǒng)的貝葉斯個性化推薦模型。首先,構建三組偏序關系假設,劃分反饋集合。然后針對偏序關系假設構建融合好友信息和群組信息的貝葉斯個性化推薦模型。考慮社會化關系強度的個性化推薦方法,利用深度學習中的分層注意力機制學習好友信息、群組信息和標簽信息對用戶偏好的影響權重。對于不同的用戶,底層注意力模擬不同元素對信息的特征表示的影響,頂層注意力模擬不同信息對用戶興趣偏好的影響程度。實驗結果顯示,本文提出的兩個方法可以有效地提高推薦的準確性,減輕稀疏性問題。同時,兩個方法均對社會化信息進行深入分析,可以促進社會化商務的發(fā)展。 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
第一章 緒論
    1.1 背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 個性化推薦系統(tǒng)研究現(xiàn)狀
        1.2.2 社會化推薦系統(tǒng)研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文組織結構
第二章 相關理論與技術
    2.1 社會化理論
    2.2 社會化推薦技術
        2.2.1 社會化推薦的方法分類
        2.2.2 深度學習與注意力模型
    2.3 本章小結
第三章 基于社會化關系多元性的個性化推薦方法
    3.1 問題描述
    3.2 模型構建
        3.2.1 模型描述
        3.2.2 模型假設
        3.2.3 模型構建與求解
    3.3 實驗與分析
        3.3.1 實驗數(shù)據(jù)
        3.3.2 比較算法
        3.3.3 評估指標
        3.3.4 實驗結果
        3.3.5 魯棒性分析
    3.4 本章小結
第四章 基于社會化關系強度的個性化推薦方法
    4.1 問題描述
    4.2 模型構建
        4.2.1 模型描述
        4.2.2 注意力網(wǎng)絡建模
        4.2.3 模型學習
    4.3 實驗與分析
        4.3.1 實驗數(shù)據(jù)
        4.3.2 評估指標
        4.3.3 實驗結果分析
    4.4 本章小結
第五章 總結與展望
    5.1 當前工作總結
    5.2 未來工作展望
參考文獻
攻讀碩士學位期間的學術活動以及成果情況


【參考文獻】：
期刊論文
[1]基于CP-CNN的中文短文本分類研究[J]. 余本功,張連彬.  計算機應用研究. 2018(04)
[2]基于TF-IDF的網(wǎng)頁新聞分類的研究與應用[J]. 李春梅.  貴州師范大學學報(自然科學版). 2015(06)

碩士論文
[1]融合社會化標簽信息的個性化推薦方法研究[D]. 呂曼麗.合肥工業(yè)大學 2019
[2]考慮群組信息的社會化推薦方法研究[D]. 蔣軍.合肥工業(yè)大學 2017



本文編號：3083123