互聯(lián)網的飛速發(fā)展引發(fā)了信息的爆炸式增長,讓信息過載的問題日益嚴峻。推薦系統(tǒng)作為一種有效的信息過濾技術,大大方便了人們?yōu)g覽信息的效率。其中最為流行的是基于協(xié)同過濾的推薦算法。但是受限于數據稀缺和冷啟動的問題,這些傳統(tǒng)的推薦算法在很多應用場景下的效果會大打折扣。近年來,隨著社交平臺的興起,社交推薦成為了一種廣泛應用的推薦方法。該類方法基于社交影響力理論,挖掘社交網絡在推薦系統(tǒng)中的作用,從而緩解個性化推薦的數據稀疏性問題。因此,在社交推薦系統(tǒng)中,如何對社交影響力高質量的建模就成為了重要環(huán)節(jié)。然而,以往研究方法大多數簡單建模社交影響力,忽略了社交影響力強度在推薦中的作用。此外,深度學習技術的浪潮給了推薦系統(tǒng)更多改進的機會。受益于其強大的特征表達能力,很多神經網絡框架被運用到推薦系統(tǒng)中,幫助模型更好從原始數據中提取相關特征。本文就利用了一些深度學習中常用的技術來學習社交網絡中包含的社交信息,并結合注意力機制的思想,建模了社交推薦模型中的社交影響力強度,旨在應用神經網絡的相關結構捕捉到更合理的社交影響力信息。本文的貢獻如下:(1)從社交影響力的有效建模入手,嘗試運用注意力機制來學習社交網絡中的社交...

【文章頁數】：62 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀
    1.3 本文主要工作
    1.4 論文內容安排
第二章 理論研究及相關技術
    2.1 傳統(tǒng)的協(xié)同過濾推薦算法概述
        2.1.1 基于內存的協(xié)同過濾算法
        2.1.2 基于模型的協(xié)同過濾算法
    2.2 基于社交的協(xié)同過濾推薦算法概述
    2.3 深度學習在推薦算法中的應用
第三章 基于注意力模型的社交推薦算法
    3.1 引言
    3.2 注意力機制及相關研究
    3.3 基于注意力模型的社交推薦模型
        3.3.1 問題定義
        3.3.2 整體的網絡框架結構
        3.3.3 模型的學習
    3.4 實驗結果與分析
        3.4.1 實驗數據
        3.4.2 實驗設置
        3.4.3 實驗結果
    3.5 本章小結
第四章 基于注意力模型的社交推薦算法的改進
    4.1 引言
    4.2 社交網絡學習及自編碼器的相關研究
    4.3 其它改進及最終的模型框架
        4.3.1 最終模型的整體框架
        4.3.2 模型的訓練
    4.4 實驗結果與分析
    4.5 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
攻讀碩士學位期間的學術活動及成果情況



本文編號：3769037