隨著網(wǎng)絡(luò)信息總量的爆炸式增長,高效而準(zhǔn)確個(gè)性化推薦系統(tǒng)成為了眼下的一個(gè)研究熱點(diǎn)。通過將歷史評(píng)分?jǐn)?shù)據(jù)作為用戶的隱式反饋引入到矩陣分解模型中,SVD++成為了個(gè)性化推薦系統(tǒng)中最有效的協(xié)同過濾模型。盡管SVD++展現(xiàn)出了強(qiáng)大的推薦能力,它仍然存在著兩個(gè)主要的局限:(1)只有用戶側(cè)的隱式反饋被利用到了模型中,對(duì)應(yīng)于物品的隱式反饋信息并沒有被考慮進(jìn)來;(2)在SVD++模型中,所有有過交互的物品在作為用戶的隱式反饋時(shí)都被給予了相同的權(quán)重,卻沒有真實(shí)準(zhǔn)確反映出用戶對(duì)于不同物品的偏好。為了解決上述局限,本文分析了已有模型對(duì)于用戶-物品二部圖結(jié)構(gòu)信息的利用,并在此基礎(chǔ)上提出了基于圖結(jié)構(gòu)的協(xié)同過濾(Graph-based collaborative filtering,GCF)模型,基于圖結(jié)構(gòu)的加權(quán)協(xié)同過濾(Weighted Graph-based collaborative filtering,W-GCF)模型與基于圖結(jié)構(gòu)的注意力協(xié)同過濾模型(Attentive Graph-based collaborative filtering,A-GCF)模型。GCF模型將物品側(cè)的隱式反饋包含到模型中;W-GCF模型通過矩陣分解對(duì)每個(gè)隱式反饋的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整,驗(yàn)證了權(quán)重機(jī)制的可行性;A-GCF模型通過深度學(xué)習(xí)實(shí)現(xiàn)權(quán)重機(jī)制,進(jìn)一步增強(qiáng)模型的推薦能力。NetFlix數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示,本文提出的模型在未顯著增加復(fù)雜度的情況下,獲得了超過了已有模型的表現(xiàn)。在隱式反饋較稀疏的場景下,本文還首次在模型中引入二步隱式反饋信息,解決了稀疏隱式反饋給已有模型帶來的推薦性能的損失問題。
【學(xué)位單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.3;TP18;O157.5
【部分圖文】：

1圖 1-1 淘寶網(wǎng)上的個(gè)性化推薦系統(tǒng)Fig.1-1 Personalization recommender system on Taobao個(gè)性化推薦系統(tǒng)的目標(biāo)是根據(jù)已有的用戶的交互行為，對(duì)未知的用戶與物品之間的喜好程度進(jìn)行評(píng)價(jià)打分，并以此給用戶推薦最有可能喜歡的物品。這里的交互行為根據(jù)具體物品對(duì)象的不同可以包含多種類型：對(duì)于商品，“交互”可以指代購買、放入購物車、瀏覽等行為；

2-1 基于用戶或物品的協(xié)同過濾推薦在用戶-物品二部圖中使用的節(jié)點(diǎn) Node information in user-item bipartite graph used by user-based or item-b

圖 2-2 SVD++模型在用戶-物品二部圖中使用的節(jié)點(diǎn)信息Fig.2-2 Node information in user-item bipartite graph used by SVD++ model“步”的概念后，本文對(duì)已有的幾類協(xié)同過濾模型進(jìn)行了分析�；谟脩舻目紤]了與相同物品節(jié)點(diǎn)有連邊的用戶節(jié)點(diǎn)的相似性；而基于物品的協(xié)同過同用戶節(jié)點(diǎn)有連邊的物品節(jié)點(diǎn)的相似性。它們考慮的都是用戶-物品交互圖信息。如圖 2-1 所示，圖中綠線連接的兩個(gè)頂點(diǎn) user2 與 item1 代表需要進(jìn)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;《軟件學(xué)報(bào)》基于圖結(jié)構(gòu)的大數(shù)據(jù)分析與管理技術(shù)�？魑耐ㄖ猍J];軟件學(xué)報(bào);2017年04期

2 林學(xué)民;杜小勇;李翠平;;基于圖結(jié)構(gòu)的大數(shù)據(jù)分析與管理技術(shù)�？把訹J];軟件學(xué)報(bào);2018年03期

3 王雅思;梁赟輝;;圖結(jié)構(gòu)在文本聚類中的應(yīng)用[J];大連民族學(xué)院學(xué)報(bào);2013年03期

4 ;《軟件學(xué)報(bào)》基于圖結(jié)構(gòu)的大數(shù)據(jù)分析與管理技術(shù)�？魑耐ㄖ猍J];軟件學(xué)報(bào);2017年02期

5 吳毅,彭基泰,高宏,張和明;藏馬雞鳴聲的普?qǐng)D結(jié)構(gòu)[J];動(dòng)物學(xué)報(bào);1995年02期

6 羅曉霞;司豐瑋;羅香玉;;大圖結(jié)構(gòu)特征對(duì)劃分效果的影響[J];計(jì)算機(jī)應(yīng)用;2018年01期

7 楊雄;彭紹武;吳田富;桑農(nóng);;分層圖結(jié)構(gòu)表示的可變形模板人臉檢測[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年S1期

8 張玲,胡東紅,孔華鋒,劉干;二維條碼碼圖結(jié)構(gòu)特性分析[J];湖北大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年03期

9 劉晗宇;王迪;張磊;張笑欽;;基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)[J];溫州大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年03期

10 葉紅云;倪志偉;倪麗萍;;一種檢測興趣漂移的圖結(jié)構(gòu)推薦系統(tǒng)[J];小型微型計(jì)算機(jī)系統(tǒng);2012年04期

相關(guān)博士學(xué)位論文 前2條

1 李磊;具有圖結(jié)構(gòu)的兩個(gè)合作和非合作的博弈論模型[D];南開大學(xué);2012年

2 周雷;基于圖結(jié)構(gòu)的目標(biāo)檢測與分割算法研究[D];上海交通大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 徐春林;基于圖結(jié)構(gòu)匹配的礦井視頻異�；顒�(dòng)檢測方法[D];西安科技大學(xué);2019年

2 鈕敏哲;基于圖結(jié)構(gòu)的深度學(xué)習(xí)推薦系統(tǒng)[D];上海交通大學(xué);2018年

3 陳亞中;基于圖結(jié)構(gòu)聚類的社區(qū)搜索算法的研究[D];深圳大學(xué);2018年

4 唐慶;基于CNNs與語義圖結(jié)構(gòu)的位置識(shí)別[D];浙江大學(xué);2019年

5 施朝浩;基于圖特征的欺詐檢測方法研究與應(yīng)用[D];浙江大學(xué);2019年

6 劉晗宇;基于圖結(jié)構(gòu)的半監(jiān)督字典學(xué)習(xí)研究[D];溫州大學(xué);2018年

7 馬福寧;有環(huán)圖結(jié)構(gòu)的編碼以及查詢算法研究[D];山東科技大學(xué);2011年

8 周溜溜;基于圖結(jié)構(gòu)的數(shù)據(jù)挖掘研究及應(yīng)用[D];南京林業(yè)大學(xué);2013年

9 陳文俊;圖結(jié)構(gòu)數(shù)據(jù)聚類分析平臺(tái)的研究及原型實(shí)現(xiàn)[D];東華大學(xué);2012年

10 彭莉;基于非監(jiān)督語義編碼的圖核模型研究[D];西南大學(xué);2015年

本文編號(hào)：2888420