發(fā)布時(shí)間：2022-10-21 15:51

　　在信息爆炸時(shí)代,用戶(hù)常常難以從海量互聯(lián)網(wǎng)數(shù)據(jù)中找到感興趣的內(nèi)容,而個(gè)性化推薦系統(tǒng)則能夠根據(jù)用戶(hù)建模結(jié)果,主動(dòng)發(fā)掘出用戶(hù)可能感興趣的信息并將其推薦給用戶(hù),在滿(mǎn)足用戶(hù)信息需求的同時(shí)提升用戶(hù)體驗(yàn)。因此,推薦系統(tǒng)成為了互聯(lián)網(wǎng)中一類(lèi)不可或缺的服務(wù)。推薦系統(tǒng)的研究往往離不開(kāi)用戶(hù)建模,因?yàn)橹挥懈行У亻_(kāi)展用戶(hù)建模,系統(tǒng)才能更準(zhǔn)確地理解用戶(hù)興趣,為其提供精準(zhǔn)服務(wù)。用戶(hù)建模與推薦系統(tǒng)的構(gòu)建依賴(lài)于合理地使用用戶(hù)的已有信息。而用戶(hù)往往會(huì)使用種類(lèi)繁多的網(wǎng)絡(luò)服務(wù)和應(yīng)用,然后在這些異質(zhì)環(huán)境產(chǎn)生各類(lèi)跨模態(tài)、跨領(lǐng)域或跨平臺(tái)的異質(zhì)用戶(hù)信息。這些信息來(lái)自不同的數(shù)據(jù)場(chǎng)景,分布和特性往往有差別。因此,如何整合多源異質(zhì)數(shù)據(jù)已成為用戶(hù)建模與推薦方法研究中的重要挑戰(zhàn),但也為研究帶來(lái)了新的機(jī)遇:首先,現(xiàn)有的用戶(hù)建模研究工作主要利用文本模態(tài)信息,較少工作使用了多模態(tài)異質(zhì)信息;其次,大部分推薦算法主要使用推薦場(chǎng)景中的用戶(hù)信息,冷啟動(dòng)問(wèn)題將制約算法的表現(xiàn);第三,知識(shí)信息（如:商品的互補(bǔ)關(guān)系）可能能幫助改善推薦結(jié)果,但這些知識(shí)信息與用戶(hù)信息為異質(zhì)信息。針對(duì)以上挑戰(zhàn),本文開(kāi)展了面向異質(zhì)環(huán)境的用戶(hù)建模與推薦研究:（1）我們針對(duì)用戶(hù)屬性建模,設(shè)計(jì)... 

【文章頁(yè)數(shù)】：115 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景
    1.2 研究問(wèn)題及主要挑戰(zhàn)
    1.3 研究框架
    1.4 研究?jī)?nèi)容
第2章 面向多模態(tài)異質(zhì)信息的用戶(hù)建模與應(yīng)用
    2.1 本章引言
    2.2 用戶(hù)角色建模相關(guān)工作
        2.2.1 用戶(hù)屬性建模的相關(guān)研究
        2.2.2 用戶(hù)角色建模相關(guān)工作
        2.2.3 用戶(hù)角色影響分析的相關(guān)研究
    2.3 引入多模態(tài)信息的用戶(hù)角色建模
        2.3.1 研究問(wèn)題及背景
        2.3.2 用戶(hù)角色建�？蚣�
        2.3.3 實(shí)驗(yàn)設(shè)置
        2.3.4 實(shí)驗(yàn)結(jié)果分析
    2.4 結(jié)合心理學(xué)理論的用戶(hù)角色影響研究
        2.4.1 研究問(wèn)題及背景
        2.4.2 針對(duì)實(shí)際場(chǎng)景的心理學(xué)影響分析
        2.4.3 模型設(shè)計(jì)
        2.4.4 實(shí)驗(yàn)設(shè)置
        2.4.5 實(shí)驗(yàn)結(jié)果分析
    2.5 本章小結(jié)
第3章 融合跨平臺(tái)用戶(hù)跨領(lǐng)域異質(zhì)信息的推薦方法
    3.1 本章引言
    3.2 評(píng)分預(yù)測(cè)推薦任務(wù)的相關(guān)工作
        3.2.1 經(jīng)典的推薦模型方法
        3.2.2 使用遷移學(xué)習(xí)的推薦模型
        3.2.3 融入異質(zhì)信息的推薦模型
    3.3 跨平臺(tái)跨領(lǐng)域異質(zhì)信息融合框架
        3.3.1 融合異質(zhì)信息的矩陣分解模塊
        3.3.2 跨平臺(tái)用戶(hù)特征提取模塊
        3.3.3 模型訓(xùn)練及耦合方式
        3.3.4 冷啟動(dòng)用戶(hù)的應(yīng)對(duì)策略
    3.4 實(shí)驗(yàn)設(shè)置及結(jié)果分析
        3.4.1 實(shí)驗(yàn)設(shè)置
        3.4.2 整體實(shí)驗(yàn)結(jié)果及分析
        3.4.3 引入不同程度地異質(zhì)信息的實(shí)驗(yàn)分析
        3.4.4 不同耦合方式的實(shí)驗(yàn)結(jié)果
        3.4.5 冷啟動(dòng)問(wèn)題分析
    3.5 本章小結(jié)
第4章 引入知識(shí)圖譜推理的推薦方法
    4.1 本章引言
    4.2 知識(shí)圖譜與推薦系統(tǒng)的相關(guān)工作
        4.2.1 商品關(guān)系學(xué)習(xí)算法
        4.2.2 知識(shí)圖譜上的規(guī)則推理
        4.2.3 融合知識(shí)圖譜的推薦系統(tǒng)
    4.3 模型背景介紹
        4.3.1 異質(zhì)信息網(wǎng)絡(luò)
        4.3.2 兩類(lèi)經(jīng)典推薦算法介紹
    4.4 引入知識(shí)圖譜推理的推薦模型
        4.4.1 異質(zhì)信息網(wǎng)絡(luò)構(gòu)建
        4.4.2 基于知識(shí)圖譜的推理規(guī)則學(xué)習(xí)
        4.4.3 結(jié)合異構(gòu)信息的推薦算法設(shè)計(jì)
        4.4.4 模型訓(xùn)練及耦合方式
    4.5 實(shí)驗(yàn)設(shè)置及結(jié)果分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        4.5.2 實(shí)驗(yàn)設(shè)置
        4.5.3 規(guī)則學(xué)習(xí)實(shí)驗(yàn)結(jié)果及分析
        4.5.4 推薦實(shí)驗(yàn)結(jié)果及分析
        4.5.5 不同評(píng)分計(jì)算策略及參數(shù)選擇分析
        4.5.6 推理規(guī)則的可解釋性分析
    4.6 本章小結(jié)
第5章 結(jié)束語(yǔ)
    5.1 研究工作總結(jié)
    5.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3695940