隨著互聯網以及大數據技術應用越來越廣泛,人們不僅獲取到海量數據,同時生活方式也發(fā)生了極大的改變,其中網購成為一種必不可少的購物方式。為了提供給用戶良好的購物體驗,推薦系統扮演著不可或缺的角色。最具代表的是協同過濾推薦算法,該算法模型簡單,在業(yè)界被廣泛使用。但該算法存在冷啟動和數據稀疏問題,同時缺乏對數據語義信息的描述,無法實現對用戶和商品的精準刻畫,實現精準推薦難度較大。知識圖譜作為一種海量知識的表征形式,旨在描述真實世界中存在的各種實體和概念。知識圖譜是一種語義網絡,可以融合多種數據源豐富語義信息,并結合推理得到的隱含信息為用戶提供服務。知識圖譜作為一種新的知識儲備已被廣泛應用,更被廣泛應用于推薦系統。本文進行基于知識圖譜的汽車交易智能推薦系統研究。以汽車交易系統為應用背景,通過實體和關系抽取構建領域知識圖譜,并建立高覆蓋率的實體、概念及語義信息,最后將傳統的協同過濾算法與知識圖譜相融合,實現汽車交易的智能推薦。本文研究工作有以下幾個部分:（1）對基于網站網頁數據的知識抽取方法進行研究,并構建領域知識圖譜�；赟VM方法對網頁數據進行實體抽取,基于Bootstrap對網頁數據進行關系... 

【文章頁數】：59 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內外研究現狀
        1.2.1 知識圖譜研究現狀
        1.2.2 推薦系統研究現狀
        1.2.3 基于知識圖譜推薦系統的研究現狀
    1.3 論文的研究內容和創(chuàng)新點
    1.4 論文的結構安排
第二章 相關理論和方法
    2.1 知識圖譜和人工智能
    2.2 知識圖譜的構建方法
    2.3 知識圖譜的構建關鍵技術
        2.3.1 知識抽取
        2.3.2 知識融合
        2.3.3 知識推理
        2.3.4 質量評估
    2.4 知識圖譜的典型應用
    2.5 智能推薦技術
    2.6 本章小節(jié)
第三章 領域知識圖譜構建技術研究
    3.1 基于SVM的 Web實體抽取研究
        3.1.1 支持向量機
        3.1.2 基于SVM的 Web實體抽取
            3.1.2.1 網頁結構分析
            3.1.2.2 領域數據實體抽取
    3.2 基于Bootstrap關系抽取算法研究
        3.2.1 算法描述
    3.3 實驗簡介
    3.4 實驗結果
    3.5 本章小結
第四章 基于翻譯模型的知識圖譜表示學習
    4.1 傳統的物品語義表示
    4.2 傳統的物品語義表示存在的問題
    4.3 基于知識圖譜表示學習的物品向量化思想
        4.3.1 知識表示學習
        4.3.2 物品向量化表示思想
    4.4 翻譯模型訓練過程
        4.4.1 評分函數
        4.4.2 翻譯模型訓練算法
    4.5 實驗結果及分析
        4.5.1 實驗數據集
        4.5.2 實驗結果
    4.6 總結
第五章 基于知識圖譜的智能推薦算法研究
    5.1 基于協同過濾的推薦算法及其改進
        5.1.1 基于協同過濾的推薦算法
        5.1.2 改進的推薦算法
    5.2 推薦算法框架
    5.3 基于知識圖譜的實體相似度
    5.4 基于協同過濾的物品相似度計算
        5.4.1 構建評分矩陣
        5.4.2 計算相似度
    5.5 兩種推薦算法的相似度融合及預測用戶評分
    5.6 實驗結果及分析
    5.7 本章小節(jié)
第六章 基于知識圖譜的智能推薦系統設計與實現
    6.1 系統概述
    6.2 系統總體設計
    6.3 系統模塊功能實現
        6.3.1 用戶登錄模塊
        6.3.2 用戶管理模塊
        6.3.3 商品管理模塊
        6.3.4 推薦結果模塊
    6.4 本章小結
第七章 總結與展望
    7.1 本文總結
    7.2 未來展望
參考文獻
攻讀碩士期間發(fā)表的論文及取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]融合循環(huán)知識圖譜和協同過濾電影推薦算法[J]. 李浩,張亞釧,康雁,楊兵,卜榮景,李晉源.  計算機工程與應用. 2020(02)
[2]國內基于知識圖譜的信息推薦研究進展[J]. 孫雨生,祝博,朱禮軍.  情報理論與實踐. 2019(12)
[3]基于知識圖譜的用戶偏好神經建�？蚣躘J]. 朱桂明,賓辰忠,古天龍,陳煒,賈中浩.  模式識別與人工智能. 2019(07)
[4]個性化推薦研究熱點及學術群探析——基于1990—2017年數據統計及可視化研究[J]. 周穎芮,孫銳,袁圓.  科技與經濟. 2019(03)
[5]文本分類中基于CHI改進的特征選擇方法[J]. 宋呈祥,陳秀宏,牛強.  傳感器與微系統. 2019(02)
[6]基于知識圖譜的云端個性化測試推薦[J]. 段玉聰,邵禮旭,崔立真,高洪皓.  小型微型計算機系統. 2018(12)
[7]基于知識圖譜的個性化學習資源推薦研究[J]. 黃華升.  軟件工程. 2018(10)
[8]我國推薦系統研究熱點及可視化分析[J]. 張駿,顧沖.  現代商貿工業(yè). 2018(18)
[9]協同推薦研究前沿與發(fā)展趨勢的知識圖譜分析[J]. 陳海蛟,努爾布力.  小型微型計算機系統. 2018(04)
[10]旅游推薦系統研究綜述[J]. 常亮,曹玉婷,孫文平,張偉濤,陳君同.  計算機科學. 2017(10)

碩士論文
[1]基于知識圖譜的個性化習題推薦研究[D]. 胡輝.四川師范大學 2019
[2]個性化推薦系統中冷啟動問題研究[D]. 雷秋雨.北京交通大學 2019
[3]基于協同過濾的新聞推薦系統的設計與實現[D]. 薛松.山東師范大學 2019
[4]基于文本挖掘的領域知識圖譜構建方法的研究與實現[D]. 劉霄陽.北京交通大學 2019
[5]基于知識圖譜構建的微博話題推薦研究[D]. 張興宇.安徽理工大學 2019
[6]基于改進的協同過濾個性化音樂推薦系統研究[D]. 陳繼騰.廣東工業(yè)大學 2019
[7]基于知識圖譜的新聞推薦方法研究[D]. 宋書鵬.華中科技大學 2019
[8]基于知識圖譜的汽車領域智能問答設計與實踐[D]. 張金明.華中科技大學 2019
[9]基于bootstrap方法的參數估計研究[D]. 周君.貴州民族大學 2019
[10]基于協同過濾的試題推薦與智能分析系統研究與實現[D]. 孫方方.華南理工大學 2019



本文編號：3712372