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,群組推薦系統(tǒng)應運而生。區(qū)別于其它單人推薦系統(tǒng),除了向單個用戶進行推薦,群組推薦系統(tǒng)最主要的任務是為多用戶組成的群組進行推薦。通常在群組中,受群組特征、社會化因素等的影響,組中每個成員對群組的貢獻率不盡相同,因此,群組推薦研究中的一個重難點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)絡和神經(jīng)協(xié)同過濾（neural collaborative filtering,NCF）提出一種基于自注意力機制的組推薦系統(tǒng)模型SAGR（self-attention group recommendation）,用以建模用戶交互數(shù)據(jù)及學習群組潛在偏好表示。針對注意力網(wǎng)絡只能獲取用戶項目交互從而導致的群組偏好考慮不全面的問題,使用自注意力機制挖掘用戶間交互,使得組中每個用戶的權(quán)重得以動態(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,本文還設計了基于注意力因子分解機的群組推薦模型AFMGR（Attentional Factorization Machine Group Recommendation）... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：54 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 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
    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 深度學習基礎理論
        2.2.1 注意力機制模型
        2.2.2 神經(jīng)協(xié)同過濾
        2.2.3 因子分解機
        2.2.4 深度學習推薦
    2.3 本章小結(jié)
第三章 基于自注意力機制的組推薦算法
    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 項目級的自注意力機制
        3.2.3 用戶級的自注意力機制
        3.2.4 SAGR模型實現(xiàn)算法描述
    3.3 實驗與結(jié)果分析
        3.3.1 數(shù)據(jù)集和評價指標
        3.3.2 對比算法
        3.3.3 實驗環(huán)境與參數(shù)估計
        3.3.4 實驗結(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 改進的基于注意力因子分解機的群組推薦
        4.2.3 AFMGR模型實現(xiàn)算法描述
    4.3 實驗與結(jié)果分析
        4.3.1 數(shù)據(jù)集與對比算法
        4.3.2 實驗結(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
作者簡介


【參考文獻】：
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.  計算機學報. 2019(01)
[2]社會化推薦研究綜述[J]. 王剛,蔣軍,王含茹.  計算機科學. 2018(S2)
[3]基于動態(tài)卷積概率矩陣分解的潛在群組推薦[J]. 王海艷,董茂偉.  計算機研究與發(fā)展. 2017(08)
[4]組推薦系統(tǒng)及其應用研究[J]. 張玉潔,杜雨露,孟祥武.  計算機學報. 2016(04)
[5]隨機梯度下降法的收斂速度(英文)[J]. 汪寶彬,戴濟能.  數(shù)學雜志. 2012(01)



本文編號：3459545