互聯(lián)網(wǎng)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(yán)峻。推薦系統(tǒng)作為一種有效的信息過濾技術(shù),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(shù)據(jù)稀缺和冷啟動的問題,這些傳統(tǒng)的推薦算法在很多應(yīng)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(yīng)用的推薦方法。該類方法基于社交影響力理論,挖掘社交網(wǎng)絡(luò)在推薦系統(tǒng)中的作用,從而緩解個性化推薦的數(shù)據(jù)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(zhì)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(shù)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(xué)習(xí)技術(shù)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(jīng)網(wǎng)絡(luò)框架被運用到推薦系統(tǒng)中,幫助模型更好從原始數(shù)據(jù)中提取相關(guān)特征。本文就利用了一些深度學(xué)習(xí)中常用的技術(shù)來學(xué)習(xí)社交網(wǎng)絡(luò)中包含的社交信息,并結(jié)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(yīng)用神經(jīng)網(wǎng)絡(luò)的相關(guān)結(jié)構(gòu)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(xué)習(xí)社交網(wǎng)絡(luò)中的社交...

【文章頁數(shù)】：62 頁

【學(xué)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(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文內(nèi)容安排
第二章 理論研究及相關(guān)技術(shù)
    2.1 傳統(tǒng)的協(xié)同過濾推薦算法概述
        2.1.1 基于內(nèi)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(xué)習(xí)在推薦算法中的應(yīng)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(guān)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(wǎng)絡(luò)框架結(jié)構(gòu)
        3.3.3 模型的學(xué)習(xí)
    3.4 實驗結(jié)果與分析
        3.4.1 實驗數(shù)據(jù)
        3.4.2 實驗設(shè)置
        3.4.3 實驗結(jié)果
    3.5 本章小結(jié)
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(wǎng)絡(luò)學(xué)習(xí)及自編碼器的相關(guān)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(xùn)練
    4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況



本文編號：3769037