推薦系統(tǒng)的主要功能是根據(jù)已有的用戶交互信息向用戶主動(dòng)地推薦符合用戶興趣偏好的信息或商品,在大多數(shù)電子商務(wù)網(wǎng)站取得了廣泛的應(yīng)用,推薦算法性能的優(yōu)劣將直接影響到用戶的體驗(yàn)以及商家的收益。然而,大多數(shù)推薦算法的性能都容易受到冷啟動(dòng)和數(shù)據(jù)稀疏問(wèn)題的影響。為了緩解該問(wèn)題,常用的方法是引入額外的輔助信息來(lái)提升推薦系統(tǒng)的性能。近年來(lái),由于推薦系統(tǒng)中存在著豐富的節(jié)點(diǎn)和邊的關(guān)系,自然構(gòu)成了一個(gè)異質(zhì)信息網(wǎng)絡(luò),利用異質(zhì)信息網(wǎng)絡(luò)建模推薦系統(tǒng)進(jìn)行推薦取得了較好的效果。但是目前大多數(shù)算法只利用了基于元路徑相似度的方法,不能有效利用網(wǎng)絡(luò)的高階相似度,并且多數(shù)算法不能很好地將多條元路徑下的高階相似度進(jìn)行高效地融合。此外,在局部低秩子矩陣劃分問(wèn)題上,現(xiàn)有的工作大多基于隨機(jī)選取錨點(diǎn)并進(jìn)行子矩陣的劃分,不能很好地利用異質(zhì)信息網(wǎng)絡(luò)的豐富語(yǔ)義信息,如何結(jié)合異質(zhì)信息網(wǎng)絡(luò)去更好地劃分子矩陣并有效選擇錨點(diǎn)是一個(gè)值得研究的問(wèn)題。針對(duì)上述問(wèn)題,本文的主要工作如下:1.提出了基于矩陣分解的協(xié)同過(guò)濾模型和異質(zhì)信息網(wǎng)絡(luò)表示學(xué)習(xí)結(jié)合的框架HRLRec。該模型能夠同時(shí)利用用戶、商品的隱含表示和多個(gè)元路徑下的有機(jī)融合后的高階相似度共同預(yù)測(cè)評(píng)分,并使... 

【文章頁(yè)數(shù)】：54 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

網(wǎng)絡(luò)模式示例圖

元路徑如果節(jié)點(diǎn)序列(,,,)

豆瓣電影數(shù)據(jù)集的網(wǎng)絡(luò)模式


本文編號(hào)：3721875