隨著移動互聯(lián)網(wǎng)和各種智能終端設備的不斷發(fā)展,網(wǎng)絡上的信息呈爆炸式增長。為了緩解信息過載問題,研究者提出構(gòu)建推薦系統(tǒng)來為用戶提供個性化的信息、產(chǎn)品或服務,以滿足他們的喜好。然而,評分數(shù)據(jù)稀疏性問題在一定程度上限制了傳統(tǒng)的基于協(xié)同過濾的推薦算法推薦性能。而隨著用戶和物品的相關信息越來越多,如何充分利用這些信息來突破評分數(shù)據(jù)稀疏性造成性能瓶頸成為推薦系統(tǒng)中研究的熱點問題之一�，F(xiàn)有工作較少關注如何結(jié)合異構(gòu)信息網(wǎng)絡和深度學習實現(xiàn)更好的推薦。本文提出了基于實體的和基于路徑的異構(gòu)信息網(wǎng)絡信息的深度協(xié)同過濾推薦模型,主要工作如下:1.本文提出了TrustDMF模型。TrustDMF令用戶從物品的層面來提取低階特征,物品和用戶的信任用戶群從用戶的層面來提取低階特征。接著通過MLP來提取高階特征。最后使用用戶的特征向量與物品的特征向量的余弦相似度作為預測評分值,用戶的特征向量與用戶的信任用戶群的余弦相似度作為預測信任度。為了更好的考慮信任信息,損失函數(shù)增加了社交正則化約束,即增加了預測信任度與實際信任度的平方差。2.本文提出PANCF模型。PANCF使用LSTM對路徑進行建模來提取特征向量,然后對屬于同一... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于深度學習的推薦算法研究現(xiàn)狀
        1.2.2 基于異構(gòu)信息網(wǎng)絡的推薦算法研究現(xiàn)狀
    1.3 存在的問題
    1.4 本文的研究內(nèi)容和結(jié)構(gòu)安排
    1.5 本章小結(jié)
第2章 基本概念和相關工作
    2.1 推薦系統(tǒng)簡介
        2.1.1 推薦系統(tǒng)概念介紹
        2.1.2 推薦算法的分類
        2.1.3 推薦任務的分類
    2.2 評價指標
        2.2.1 分類指標
        2.2.2 回歸指標
        2.2.3 排序指標
    2.3 深度學習技術簡介
        2.3.1 神經(jīng)網(wǎng)絡
        2.3.2 深度協(xié)同過濾
        2.3.3 注意力機制
    2.4 異構(gòu)信息網(wǎng)絡
        2.4.1 異構(gòu)信息網(wǎng)絡定義
        2.4.2 基于信任網(wǎng)絡的推薦算法
        2.4.3 基于知識圖譜的推薦算法
    2.5 本章小結(jié)
第3章 融合信任關系的深度矩陣分解推薦算法
    3.1 預備知識
        3.1.1 矩陣分解
        3.1.2 深度矩陣分解
    3.2 融合信任關系的深度矩陣分解
        3.2.1 算法描述
        3.2.2 損失函數(shù)
        3.2.3 數(shù)據(jù)集與評價指標
    3.3 實驗對比分析
        3.3.1 實驗設置細節(jié)
        3.3.2 Trust DMF與其他模型的對比
        3.3.3 負樣本比例對性能的影響
        3.3.4 神經(jīng)網(wǎng)絡層數(shù)對性能的影響
        3.3.5 預測隱藏因子數(shù)對性能的影響
    3.4 本章小結(jié)
第4章 融合知識圖譜的深度協(xié)同過濾模型
    4.1 相關定義
    4.2 融合知識圖譜的深度協(xié)同過濾
        4.2.1 用戶和物品的表征學習
        4.2.2 基于元路徑的上下文表征學習
        4.2.3 注意力機制
        4.2.4 預測和學習
        4.2.5 數(shù)據(jù)集與評價指標
    4.3 實驗對比分析
        4.3.1 實驗設置細節(jié)
        4.3.2 PANCF與其他模型的對比
        4.3.3 隱藏層數(shù)對性能的影響
        4.3.4 負采樣比例的影響
        4.3.5 注意力機制的影響
    4.4 本章小結(jié)
結(jié)論
參考文獻
致謝
附錄A 發(fā)表論文和參加科研情況說明
附錄B 攻讀學位期間參與的研究項目


【參考文獻】：
期刊論文
[1]基于用戶評論的深度情感分析和多視圖協(xié)同融合的混合推薦方法[J]. 張宜浩,朱小飛,徐傳運,董世都.  計算機學報. 2019(06)
[2]基于社交網(wǎng)絡信任關系的服務推薦方法[J]. 王佳蕾,郭耀,劉志宏.  計算機科學. 2018(S2)
[3]一種知識圖譜的排序?qū)W習個性化推薦算法[J]. 楊晉吉,胡波,王欣明,伍昱燊,趙淦森.  小型微型計算機系統(tǒng). 2018(11)
[4]LBSN中融合信任與不信任關系的興趣點推薦[J]. 朱敬華,明騫.  通信學報. 2018(07)
[5]一種帶偏置的非負矩陣分解推薦算法[J]. 王建芳,劉冉東,劉永利.  小型微型計算機系統(tǒng). 2018(01)
[6]融合用戶信任度與相似度的推薦算法研究[J]. 徐毅,葉衛(wèi)根,戴鑫,宋威,周賢泉.  小型微型計算機系統(tǒng). 2018(01)
[7]基于多層次項目相似度的協(xié)同過濾推薦算法[J]. 徐翔宇,劉建明.  計算機科學. 2016(10)
[8]基于位置社交網(wǎng)絡的上下文感知的興趣點推薦[J]. 任星怡,宋美娜,宋俊德.  計算機學報. 2017(04)
[9]基于社交標簽和社交信任的概率矩陣分解推薦算法[J]. 王升升,趙海燕,陳慶奎,曹健.  小型微型計算機系統(tǒng). 2016(05)
[10]基于用戶鄰域和主題的新穎性Web社區(qū)推薦方法[J]. 余騫,彭智勇,洪亮,萬言歷.  軟件學報. 2016(05)



本文編號：3172588