隨著移動(dòng)互聯(lián)網(wǎng)和各種智能終端設(shè)備的不斷發(fā)展,網(wǎng)絡(luò)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(gè)性化的信息、產(chǎn)品或服務(wù),以滿足他們的喜好。然而,評(píng)分?jǐn)?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(guān)信息越來越多,如何充分利用這些信息來突破評(píng)分?jǐn)?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(diǎn)問題之一�，F(xiàn)有工作較少關(guān)注如何結(jié)合異構(gòu)信息網(wǎng)絡(luò)和深度學(xué)習(xí)實(shí)現(xiàn)更好的推薦。本文提出了基于實(shí)體的和基于路徑的異構(gòu)信息網(wǎng)絡(luò)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(yù)測(cè)評(píng)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(yù)測(cè)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(yù)測(cè)信任度與實(shí)際信任度的平方差。2.本文提出PANCF模型。PANCF使用LSTM對(duì)路徑進(jìn)行建模來提取特征向量,然后對(duì)屬于同一... 

【文章來源】：湖南大學(xué)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(xué)位級(jí)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(xué)習(xí)的推薦算法研究現(xiàn)狀
        1.2.2 基于異構(gòu)信息網(wǎng)絡(luò)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(guān)工作
    2.1 推薦系統(tǒng)簡(jiǎn)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(wù)的分類
    2.2 評(píng)價(jià)指標(biāo)
        2.2.1 分類指標(biāo)
        2.2.2 回歸指標(biāo)
        2.2.3 排序指標(biāo)
    2.3 深度學(xué)習(xí)技術(shù)簡(jiǎn)介
        2.3.1 神經(jīng)網(wǎng)絡(luò)
        2.3.2 深度協(xié)同過濾
        2.3.3 注意力機(jī)制
    2.4 異構(gòu)信息網(wǎng)絡(luò)
        2.4.1 異構(gòu)信息網(wǎng)絡(luò)定義
        2.4.2 基于信任網(wǎng)絡(luò)的推薦算法
        2.4.3 基于知識(shí)圖譜的推薦算法
    2.5 本章小結(jié)
第3章 融合信任關(guān)系的深度矩陣分解推薦算法
    3.1 預(yù)備知識(shí)
        3.1.1 矩陣分解
        3.1.2 深度矩陣分解
    3.2 融合信任關(guān)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(píng)價(jià)指標(biāo)
    3.3 實(shí)驗(yàn)對(duì)比分析
        3.3.1 實(shí)驗(yàn)設(shè)置細(xì)節(jié)
        3.3.2 Trust DMF與其他模型的對(duì)比
        3.3.3 負(fù)樣本比例對(duì)性能的影響
        3.3.4 神經(jīng)網(wǎng)絡(luò)層數(shù)對(duì)性能的影響
        3.3.5 預(yù)測(cè)隱藏因子數(shù)對(duì)性能的影響
    3.4 本章小結(jié)
第4章 融合知識(shí)圖譜的深度協(xié)同過濾模型
    4.1 相關(guān)定義
    4.2 融合知識(shí)圖譜的深度協(xié)同過濾
        4.2.1 用戶和物品的表征學(xué)習(xí)
        4.2.2 基于元路徑的上下文表征學(xué)習(xí)
        4.2.3 注意力機(jī)制
        4.2.4 預(yù)測(cè)和學(xué)習(xí)
        4.2.5 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)
    4.3 實(shí)驗(yàn)對(duì)比分析
        4.3.1 實(shí)驗(yàn)設(shè)置細(xì)節(jié)
        4.3.2 PANCF與其他模型的對(duì)比
        4.3.3 隱藏層數(shù)對(duì)性能的影響
        4.3.4 負(fù)采樣比例的影響
        4.3.5 注意力機(jī)制的影響
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
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(xué)位期間參與的研究項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]基于用戶評(píng)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(yùn),董世都.  計(jì)算機(jī)學(xué)報(bào). 2019(06)
[2]基于社交網(wǎng)絡(luò)信任關(guān)系的服務(wù)推薦方法[J]. 王佳蕾,郭耀,劉志宏.  計(jì)算機(jī)科學(xué). 2018(S2)
[3]一種知識(shí)圖譜的排序?qū)W習(xí)個(gè)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(jì)算機(jī)系統(tǒng). 2018(11)
[4]LBSN中融合信任與不信任關(guān)系的興趣點(diǎn)推薦[J]. 朱敬華,明騫.  通信學(xué)報(bào). 2018(07)
[5]一種帶偏置的非負(fù)矩陣分解推薦算法[J]. 王建芳,劉冉東,劉永利.  小型微型計(jì)算機(jī)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(jì)算機(jī)系統(tǒng). 2018(01)
[7]基于多層次項(xiàng)目相似度的協(xié)同過濾推薦算法[J]. 徐翔宇,劉建明.  計(jì)算機(jī)科學(xué). 2016(10)
[8]基于位置社交網(wǎng)絡(luò)的上下文感知的興趣點(diǎn)推薦[J]. 任星怡,宋美娜,宋俊德.  計(jì)算機(jī)學(xué)報(bào). 2017(04)
[9]基于社交標(biāo)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(jì)算機(jī)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(xué)報(bào). 2016(05)



本文編號(hào)：3172588