發(fā)布時間：2023-12-04 17:25

　　隨著移動設(shè)備以及GPS定位技術(shù)的發(fā)展,越來越多的基于位置的社交網(wǎng)絡(luò)應用被開發(fā)出來。它們積累了大量簽到數(shù)據(jù),提供了使用深度學習技術(shù)執(zhí)行推薦任務的可能性。興趣點推薦是基于位置的社交網(wǎng)絡(luò)中一項非常重要的服務。其不僅能夠提升用戶體驗,還能為服務商帶來商業(yè)價值。但興趣點推薦相較于傳統(tǒng)的項目推薦具有更大的技術(shù)挑戰(zhàn)性,主要表現(xiàn)在數(shù)據(jù)稀疏以及負反饋缺乏、影響因素多和用戶偏好的動態(tài)變化性與周期性等方面。傳統(tǒng)的興趣點推薦模型關(guān)注點大都集中在對用戶的簽到頻率以及簽到時間進行建模,或者對通用的推薦方法進行融合時間、地理距離等上下文的改造,很少會關(guān)注興趣點簽到序列中體現(xiàn)出的用戶前后行為關(guān)聯(lián),對用戶訪問偏好的動態(tài)變化性和周期性特征的捕獲也不盡如人意。本文研究關(guān)注到興趣點簽到序列建模問題與自然語言處理之間的相似之處,將興趣點推薦視為序列感知的推薦問題。首先按一定的序列劃分規(guī)則將用戶的興趣點簽到數(shù)據(jù)劃分為序列,以強化推薦過程中對于用戶長、短期偏好等序列特征的關(guān)注;然后進行了將循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)應用于興趣點推薦模型的探索,通過引入上下文信息、注意力機制、排名損失函數(shù)以及合適的負采樣方法來使循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)適應興趣點推薦的...

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀與分析
        1.2.1 POI推薦
        1.2.2 序列感知推薦中的循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機制
    1.3 研究內(nèi)容與目標
    1.4 論文結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)
    2.1 推薦算法
        2.1.1 基于內(nèi)容的推薦
        2.1.2 協(xié)同過濾推薦
        2.1.3 上下文感知推薦
        2.1.4 基于神經(jīng)網(wǎng)絡(luò)的推薦
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.1 基本結(jié)構(gòu)
        2.2.2 改進結(jié)構(gòu)
    2.3 本章小結(jié)
第三章 融合上下文信息的POI推薦模型
    3.1 問題定義
    3.2 融合上下文信息的GRU結(jié)構(gòu)
    3.3 模型總體結(jié)構(gòu)
    3.4 排名損失函數(shù)以及基于流行度和地理距離的負采樣
    3.5 模型訓練
    3.6 本章小結(jié)
第四章 引入注意力機制的個性化POI推薦模型
    4.1 長短期注意力機制
    4.2 模型總體結(jié)構(gòu)
    4.3 模型訓練
    4.4 本章小結(jié)
第五章 實驗結(jié)果與分析
    5.1 數(shù)據(jù)集介紹
    5.2 實驗設(shè)置
        5.2.1 對比模型與參數(shù)設(shè)置
        5.2.2 評價標準
        5.2.3 超參數(shù)選擇
    5.3 對比實驗結(jié)果及分析
    5.4 負采樣效果分析
    5.5 長短期注意力機制可視化分析
    5.6 模型效率
    5.7 本章小結(jié)
第六章 應用實現(xiàn)與模型部署
    6.1 應用設(shè)計與實現(xiàn)
    6.2 模型部署
    6.3 效果展示
    6.4 本章小結(jié)
總結(jié)與展望
    本文工作總結(jié)
    本文工作展望
參考文獻
攻讀博士/碩士學位期間取得的研究成果
致謝
附件



本文編號：3870377