本文主要是關(guān)于推薦方法的研究,該任務(wù)目的是預(yù)測用戶對給定物品或?qū)ο?如酒店,視頻,商品,音樂等)的打分或喜好�，F(xiàn)有的主流解決方案是通過協(xié)同過濾或者基于內(nèi)容的過濾方法產(chǎn)生一個推薦的排序列表。這些方法在很多的推薦系統(tǒng)上的表現(xiàn)是很有前景的,并且它們經(jīng)常被結(jié)合在一起得到混合的推薦方法。然而,每種類型的方法都有它的優(yōu)勢和劣勢。比如,協(xié)同過濾方法經(jīng)常會出現(xiàn)三個問題:冷啟動問題、可擴展性問題和稀疏性問題。而基于內(nèi)容的方法被三個問題限制:有限的內(nèi)容分析、過特殊化和對新用戶的冷啟動問題。針對上述推薦方法存在的問題,本文調(diào)查研究用戶興趣的時間變化、物品內(nèi)容的語義信息、用戶對每個對象多方面特征的特殊興趣,以提高推薦算法的效果。首先,本文建立一個有效的方案進行時間和語義感知的酒店推薦,方案考慮了用戶對酒店多方面屬性的特定需求、用戶預(yù)訂酒店的時間動態(tài)性和評論文本語義信息分析,這些因素對于酒店推薦有著重要的作用。具體的,本文提出基于泊松張量分解和隱語義模型的學習方法,以進行時間和語義感知的酒店推薦。通過挖掘用戶預(yù)訂酒店的時間、用戶-酒店的多方面打分和用戶評論文本信息在潛在空間的表達,本文提出的方法能夠更加精準的預(yù)...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究目標和內(nèi)容
        1.3.1 研究目標
        1.3.2 研究內(nèi)容
    1.4 本文組織結(jié)構(gòu)
2 推薦方法相關(guān)知識介紹
    2.1 協(xié)同過濾
    2.2 基于內(nèi)容的過濾
    2.3 上下文感知的推薦
    2.4 深度學習
    2.5 注意力機制
    2.6 本章小結(jié)
3 泊松張量分解的酒店推薦框架
    3.1 問題定義與數(shù)據(jù)表示方法
        3.1.1 問題定義
        3.1.2 數(shù)據(jù)表達
    3.2 時間語義感知的泊松張量分解推薦方法
        3.2.1 框架介紹
        3.2.2 參數(shù)優(yōu)化
        3.2.3 擴展到冷啟動用戶
    3.3時間語義感知泊松張量分解算法實驗
        3.3.1 數(shù)據(jù)集
        3.3.2 對比算法
        3.3.3 參數(shù)設(shè)置
        3.3.4 評價指標
        3.3.5 結(jié)果與分析
    3.4 本章小結(jié)
4 注意力神經(jīng)網(wǎng)絡(luò)的短視頻推薦框架
    4.1 問題定義和準備知識
        4.1.1 問題定義
        4.1.2 Transformer框架
    4.2 時間語義感知注意力神經(jīng)網(wǎng)絡(luò)推薦方法
        4.2.1 短視頻特征學習
        4.2.2 用戶偏好學習
        4.2.3 分數(shù)預(yù)測
    4.3時間語義感知注意力神經(jīng)網(wǎng)絡(luò)算法實驗
        4.3.1 數(shù)據(jù)集
        4.3.2 對比算法
        4.3.3 參數(shù)設(shè)置
        4.3.4 評價指標
        4.3.5 結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 研究工作展望
參考文獻
致謝



本文編號：3865693