異構(gòu)信息網(wǎng)絡(luò)HIN由于其豐富的語義信息在推薦任務(wù)中得到廣泛應(yīng)用。但是,傳統(tǒng)的HIN推薦忽略了元路徑Meta-path的屬性信息,以及不同對象之間的相互影響。如何充分利用Meta-path信息以提升HIN推薦性能成為當前HIN推薦發(fā)展的關(guān)鍵難題。本文主要考慮一種特殊的HIN二分網(wǎng)絡(luò)BN,并構(gòu)建和實現(xiàn)Top-N推薦。為了更全面地獲取用戶的偏好信息,本文同時考慮用戶-對象的顯式和隱式反饋信息以準確挖掘潛在的用戶偏好信息和對象特征。為了提升HIN的推薦性能,通過融合矩陣分解MF和深度神經(jīng)網(wǎng)絡(luò)DNN構(gòu)建推薦模型,分別得到顯式和隱式反饋預測結(jié)果,并通過結(jié)合顯隱式反饋預測結(jié)果實現(xiàn)Top-N推薦。首先,針對顯式反饋信息中用戶-對象本身的特性,引入兩個偏置因子考慮其自身特性,針對無法直接獲取用戶-對象顯式反饋信息的數(shù)據(jù)通過構(gòu)建深度學習模型獲取用戶-對象顯式反饋信息。分別將顯隱式反饋信息作為輸入進行訓練以更好地挖掘評分信息背后的潛在信息。然后,針對用戶-對象評分Meta-path的關(guān)系和屬性值信息,融合MF和DNN模型。通過MF和DNN學習獨立的特征嵌入可以充分考慮用戶-對象的線性特征和非線性特征,對顯式...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 課題相關(guān)國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論基礎(chǔ)及技術(shù)
    2.1 異構(gòu)信息網(wǎng)絡(luò)(HIN)
    2.2 矩陣分解介紹
    2.3 深度學習模型
    2.4 HIN的推薦方法
    2.5 本章小結(jié)
第3章 結(jié)合顯隱式反饋的Top-N推薦模型
    3.1 推薦模型的提出與分析
    3.2 顯隱式反饋信息分析
    3.3 Meta-path分析和選擇
        3.3.1 Meta-path分析
        3.3.2 Meta-path選擇
    3.4 結(jié)合顯隱式反饋的Top-N推薦模型構(gòu)建
        3.4.1 基于Meta-path的顯式反饋預測
        3.4.2 基于Meta-path的隱式反饋預測
        3.4.3 結(jié)合顯隱式反饋預測
        3.4.4 Top-N推薦列表生成
    3.5 HIN中結(jié)合顯隱式反饋模型的應(yīng)用
    3.6 本章小結(jié)
第4章 融合MF與 DNN的推薦方法MFDNN
    4.1 融合MF與 DNN的推薦方法MFDNN介紹
    4.2 基于MF的推薦方法
        4.2.1 基于MF的推薦方法構(gòu)建
        4.2.2 基于MF的推薦方法實現(xiàn)
    4.3 基于DNN的推薦方法
        4.3.1 基于DNN的推薦方法構(gòu)建
        4.3.2 基于DNN的推薦方法實現(xiàn)
    4.4 MFDNN融合方法及其優(yōu)化
        4.4.1 MFDNN融合方法
        4.4.2 基于Adam的參數(shù)優(yōu)化
    4.5 本章小結(jié)
第5章 實驗設(shè)計與結(jié)果分析
    5.1 實驗設(shè)置
        5.1.1 實驗環(huán)境選擇
        5.1.2 實驗數(shù)據(jù)
        5.1.3 評估指標
        5.1.4 基線方法
    5.2 參數(shù)選擇
    5.3 實驗結(jié)果
        5.3.1 顯隱式反饋信息對比實驗
        5.3.2 MF和 DNN學習獨立特征嵌入對比實驗
        5.3.3 實驗結(jié)果及分析
    5.4 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學位期間承擔的科研任務(wù)與主要成果
致謝



本文編號：3782602