近年來,推薦系統(tǒng)得到了極快速的發(fā)展,以多人推薦場景為出發(fā)點(diǎn),群組推薦系統(tǒng)應(yīng)運(yùn)而生。區(qū)別于其它單人推薦系統(tǒng),除了向單個(gè)用戶進(jìn)行推薦,群組推薦系統(tǒng)最主要的任務(wù)是為多用戶組成的群組進(jìn)行推薦。通常在群組中,受群組特征、社會(huì)化因素等的影響,組中每個(gè)成員對群組的貢獻(xiàn)率不盡相同,因此,群組推薦研究中的一個(gè)重難點(diǎn)問題就是如何融合群組成員偏好,從而使其盡可能滿足所有成員的偏好需求。本文首先基于自注意力網(wǎng)絡(luò)和神經(jīng)協(xié)同過濾（neural collaborative filtering,NCF）提出一種基于自注意力機(jī)制的組推薦系統(tǒng)模型SAGR（self-attention group recommendation）,用以建模用戶交互數(shù)據(jù)及學(xué)習(xí)群組潛在偏好表示。針對注意力網(wǎng)絡(luò)只能獲取用戶項(xiàng)目交互從而導(dǎo)致的群組偏好考慮不全面的問題,使用自注意力機(jī)制挖掘用戶間交互,使得組中每個(gè)用戶的權(quán)重得以動(dòng)態(tài)調(diào)整,從而解決群組偏好融合問題,提高群組推薦效果。其次,本文還設(shè)計(jì)了基于注意力因子分解機(jī)的群組推薦模型AFMGR（Attentional Factorization Machine Group Recommendation）... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：54 頁

【學(xué)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 研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)基礎(chǔ)
    2.1 群組推薦系統(tǒng)
        2.1.1 形式化定義
        2.1.2 偏好融合策略
        2.1.3 偏好融合方法
    2.2 深度學(xué)習(xí)基礎(chǔ)理論
        2.2.1 注意力機(jī)制模型
        2.2.2 神經(jīng)協(xié)同過濾
        2.2.3 因子分解機(jī)
        2.2.4 深度學(xué)習(xí)推薦
    2.3 本章小結(jié)
第三章 基于自注意力機(jī)制的組推薦算法
    3.1 研究思路
    3.2 SAGR方法描述
        3.2.1 SAGR模型結(jié)構(gòu)
        3.2.2 項(xiàng)目級的自注意力機(jī)制
        3.2.3 用戶級的自注意力機(jī)制
        3.2.4 SAGR模型實(shí)現(xiàn)算法描述
    3.3 實(shí)驗(yàn)與結(jié)果分析
        3.3.1 數(shù)據(jù)集和評價(jià)指標(biāo)
        3.3.2 對比算法
        3.3.3 實(shí)驗(yàn)環(huán)境與參數(shù)估計(jì)
        3.3.4 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小結(jié)
第四章 基于注意力因子分解機(jī)的組推薦算法
    4.1 研究思路
    4.2 AFMGR方法描述
        4.2.1 AFMGR模型結(jié)構(gòu)
        4.2.2 改進(jìn)的基于注意力因子分解機(jī)的群組推薦
        4.2.3 AFMGR模型實(shí)現(xiàn)算法描述
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 數(shù)據(jù)集與對比算法
        4.3.2 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)及展望
    5.1 結(jié)論
    5.2 研究展望
致謝
參考文獻(xiàn)
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]基于聯(lián)合概率矩陣分解的群推薦方法研究[J]. 王剛,蔣軍,王含茹,楊善林.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[2]社會(huì)化推薦研究綜述[J]. 王剛,蔣軍,王含茹.  計(jì)算機(jī)科學(xué). 2018(S2)
[3]基于動(dòng)態(tài)卷積概率矩陣分解的潛在群組推薦[J]. 王海艷,董茂偉.  計(jì)算機(jī)研究與發(fā)展. 2017(08)
[4]組推薦系統(tǒng)及其應(yīng)用研究[J]. 張玉潔,杜雨露,孟祥武.  計(jì)算機(jī)學(xué)報(bào). 2016(04)
[5]隨機(jī)梯度下降法的收斂速度(英文)[J]. 汪寶彬,戴濟(jì)能.  數(shù)學(xué)雜志. 2012(01)



本文編號：3459545